본 논문은 지속 학습(Continual Learning, CL)에서 특히 예시 없는 지속 학습(Exemplar-free Continual Learning, EFCL) 환경에서 발생하는 급격한 망각 문제, 특히 특징 표류(feature drift) 문제를 해결하기 위해 제안된 Drift-Resistant Space (DRS) 방법을 소개합니다. 기존 EFCL 방법들이 정적 특징이나 과거 작업의 통계에 의존하여 특징 공간의 동적 변화를 포착하지 못하는 한계를 극복하고자, Low-Rank Adaptation Subtraction (LoRA-) 기반의 매개변수 효율적인 미세 조정 기법을 통해 과거 작업의 LoRA 가중치를 사전 훈련된 가중치에서 빼서 DRS를 구축합니다. 이를 통해 모델의 안정성을 높이고 효율성을 개선하며 구현을 간소화합니다. 또한, 특징 표류를 안정화하여 triplet loss를 이용한 학습을 통해 더 나은 가소성을 확보합니다. 실험 결과, 특히 긴 작업 시퀀스에서 여러 데이터셋에 걸쳐 최첨단 성능을 달성함을 보여줍니다.
