본 논문은 기초 모델의 새로운 하위 작업 적응 능력을 향상시키는 가중치 각인(weight imprinting) 기법에 대한 체계적인 분석 및 개선을 제시합니다. 가중치 각인의 세 가지 주요 구성 요소(생성, 정규화, 집계)를 규명하고, 기존 연구들을 비교 분석합니다. 특히, 다중 프록시를 이용한 새로운 데이터 표현의 효용성과 적절한 정규화의 중요성을 강조하며, 클러스터링을 통해 프록시를 결정하는 새로운 가중치 각인 변형을 제안합니다. 신경 붕괴 현상과의 연결성을 처음으로 밝히고, 복잡한 데이터 분포를 갖는 새로운 클래스에 대해 최대 4%의 성능 향상을 달성합니다.
