본 논문은 확산 기반 알고리즘을 이용한 가중치 생성 방법의 한계점인 일반화 성능 저하와 국소 목표 가중치 할당 문제를 해결하기 위해 Mc-Di를 제안합니다. 기존의 단일 수준 최적화 방법은 과제 간 전이 학습이 어렵고, 국소 목표 가중치를 고려하지 않아 국소-전역 불일치 문제를 야기합니다. Mc-Di는 메타 러닝을 통합하여 일반화 성능을 향상시키고, 국소 일관성 확산 알고리즘을 통해 국소 목표 가중치를 학습하면서 전역 최적점과의 일관성을 유지합니다. 전이 학습, 몇-샷 학습, 도메인 일반화, 대규모 언어 모델 적응 등 가중치 업데이트가 빈번한 작업에서 Mc-Di의 우수한 정확도와 추론 효율성을 검증합니다.
