본 논문은 개방형 환경에서의 클래스 증분 학습(CIL) 문제를 다룹니다. 기존의 클래스를 잊지 않고 새로운 클래스를 학습하는 동시에, 기존 모델이 잘못 분류할 수 있는 알려지지 않은 클래스의 입력을 처리해야 하는 어려움을 해결하고자 합니다. 기존 연구는 작업 증분 학습 프레임워크를 사용하여 다중 헤드 모델을 훈련하고, 분포 외(OOD) 검출기를 사용하여 작업 ID를 예측하는 방식을 사용하지만, 이는 과거 데이터의 메모리 버퍼와의 결합 훈련에 크게 의존하여 프라이버시, 확장성, 훈련 시간 증가 문제를 야기합니다. 본 논문에서는 사후 OOD 검출 방법을 심층 분석하여 메모리 버퍼 없이도 가능성을 확인하고, 추론 시 적절히 적용하면 버퍼 기반 OOD 검출을 대체할 수 있음을 보입니다. 버퍼 없는 접근 방식이 CIFAR-10, CIFAR-100, Tiny ImageNet 데이터셋에서 버퍼 기반 방법과 비교하여 동등하거나 우수한 성능을 달성함을 실험 결과를 통해 보여줍니다. 이는 효율적이고 프라이버시를 보호하는 개방형 환경 CIL 시스템 설계에 대한 새로운 통찰력을 제공합니다.
