본 논문은 순차적으로 새로운 클래스를 학습하면서 이전 클래스에 대한 지식을 유지하는 클래스 증분 학습(CIL)에서 클래스 도착 순서에 대한 민감성 문제를 해결하는 방법을 제시합니다. 특히 순차적으로 도입되는 클래스 간 유사성이 높을 때 CIL 모델의 성능이 순서에 크게 영향받는다는 점을 지적하며, 클래스 간 낮은 쌍별 유사성을 가진 클래스들을 그룹화하는 것이 모델의 순서 변화에 대한 강건성을 향상시킨다는 이론적 분석을 확장합니다. 이를 바탕으로 그래프 컬러링 알고리즘을 이용하여 클래스들을 유사성 제약 조건이 있는 그룹으로 동적으로 분할하는 새로운 방법인 Graph-Driven Dynamic Similarity Grouping (GDDSG)을 제안합니다. 각 그룹은 독립적인 CIL 하위 모델을 학습하고 클래스 그룹 식별을 위한 메타 특징을 구성합니다. 실험 결과, 제안된 방법이 모델 정확도와 망각 방지 성능 모두에서 최적의 성능을 달성하면서 클래스 순서 민감성 문제를 효과적으로 해결함을 보여줍니다. 코드는 https://github.com/AIGNLAI/GDDSG 에서 확인할 수 있습니다.
