본 논문은 제한된 레이블 데이터로 지속 학습(Continual Learning, CL)을 가능하게 하는 메타 지속 학습(Meta-Continual Learning, Meta-CL)에 초점을 맞추고 있다. 기존 연구들이 주로 이미지 데이터에 집중한 반면, 본 논문은 센서 시스템으로부터 얻은 시계열 데이터, 특히 오디오 데이터에 대한 Meta-CL의 효과를 탐구한다. 이를 위해 연구진은 다양한 네트워크 아키텍처를 사용하여 이미지 및 오디오 모달리티의 다섯 개 데이터셋에서 여섯 가지 대표적인 Meta-CL 기법을 평가하는 종합적인 벤치마크 연구를 수행했다. 엣지 기기에서 시스템 오버헤드를 평가하고 성능, 계산 비용, 메모리 요구사항 간의 절충 관계를 조사하기 위한 벤치마크 프레임워크인 MetaCLBench를 개발했다. 연구 결과, 여러 Meta-CL 방법들이 이미지와 오디오 모달리티 모두에서 새로운 클래스를 학습하는 것을 가능하게 하지만, 엣지 기기에서 상당한 계산 및 메모리 비용을 초래함을 밝혔다. 배포 전 소스 데이터를 기반으로 사전 훈련 및 메타 훈련 절차를 수행하는 것이 Meta-CL 성능을 향상시키는 것으로 나타났다. 마지막으로, 자원 제약 환경에서 Meta-CL을 구현하는 연구자와 머신러닝 실무자를 위한 실용적인 지침을 제공하고, 정확도와 시스템 수준 메트릭 모두에 대한 공정한 평가를 가능하게 하는 벤치마크 프레임워크와 도구를 공개적으로 제공한다.
