본 논문은 지속적 학습(Continual Learning)에서의 재생(Replay)의 확장성 문제를 해결하기 위한 연구이다. 기존 재생 기법의 비효율성을 지적하며, 저랭크 적응(Low Rank Adaptation), 통합(Consolidation), 순차적 병합(Sequential Merging)이라는 세 가지 전략을 제시한다. 저랭크 적응은 기존의 다중 작업 미세 조정 기법을 지속적 학습에 적용하고, 통합은 재생 샘플 수를 줄이는 기법이며, 순차적 병합은 작업 산술(Task Arithmetic)을 지속적 학습에 맞게 개선한 기법이다. 이러한 전략들을 결합하여 기존 방법보다 성능이 뛰어나고 확장성이 높은 지속적 학습 도구를 개발하였다.
