본 논문은 지속 학습(continual learning)에서 발생하는 재앙적 망각 현상에 대한 Kolmogorov-Arnold Networks (KANs)의 성능을 연구한다. KANs는 국소 스플라인 기반 활성화를 활용하여 망각에 강하다고 알려져 있지만, 실제 지속 학습 환경에서의 동작과 한계는 불분명하다. 본 연구는 KANs의 재앙적 망각 현상에 대한 포괄적인 연구를 수행하고, 활성화 지원 중첩과 내재적 데이터 차원 간의 관계를 분석하는 이론적 프레임워크를 제시한다. 또한 KAN-LoRA라는 언어 모델의 파라미터 효율적인 지속적 미세 조정 어댑터를 제안하고, 지식 편집 작업에서의 효과를 평가한다.
