자율 주행 및 의료 영상 분석과 같은 중요한 분야에서 인공 지능 시스템은 공유 입력 데이터를 사용하여 새로운 작업을 지속적으로 학습합니다. 예를 들어, 교통 표지판 감지를 학습한 모델은 동일한 카메라 피드를 사용하여 교통 신호등 또는 다양한 유형의 차량을 분류하는 방법을 학습해야 할 수 있습니다. 이 시나리오는 Continual Multitask Learning (CMTL)이라고 하는 어려운 설정을 제시하며, 모델은 이전에 학습한 기능을 잊지 않고 기본 데이터 분포에서 새로운 작업을 순차적으로 학습합니다. 기존의 지속 학습 방법은 상호 간섭하는 조각난, 작업별 특징을 학습하기 때문에 이 설정에서 실패하는 경우가 많습니다. 이를 해결하기 위해, 본 논문은 작업 출력을 보존하는 것에서 공유 표현 공간의 기하학적 구조를 유지하는 데 초점을 맞춘 새로운 프레임워크인 Learning with Preserving (LwP)를 소개합니다. LwP의 핵심은 잠재 데이터 표현 간의 쌍별 거리를 정규화하여 표현 드리프트를 방지하는 Dynamically Weighted Distance Preservation (DWDP) 손실입니다. 이 기본 기하학적 구조를 보존하는 메커니즘을 통해 모델은 리플레이 버퍼 없이 암묵적 지식을 유지하고 다양한 작업을 지원할 수 있으므로 개인 정보 보호가 중요한 응용 분야에 적합합니다. 시계열 및 이미지 벤치마크에 대한 광범위한 평가 결과, LwP는 심각한 망각을 완화할 뿐만 아니라 CMTL 작업에서 최첨단 기반선보다 일관되게 우수한 성능을 보입니다. 특히, 본 방법은 분포 이동에 대한 뛰어난 견고성을 보이며 강력한 단일 작업 학습 기반선을 능가하는 유일한 접근 방식으로, 실제 동적 환경에 대한 효과를 강조합니다.
