본 논문은 지속적인 모델 적응을 가능하게 하는 도메인 증분 학습(DIL) 중에서도 지식 충돌을 줄이는 매개변수 분리 DIL(PIDIL)에 초점을 맞추고 있습니다. 기존 PIDIL 방법들은 도메인과 클래스 수가 증가함에 따라 매개변수 선택 정확도가 떨어지는 문제점을 가지고 있는데, 본 논문에서는 이를 해결하기 위해 경량화된 프레임워크인 SOYO를 제안합니다. SOYO는 가우시안 혼합 압축기(GMC)와 도메인 특징 재샘플러(DFR)를 도입하여 이전 도메인 데이터를 효율적으로 저장하고 균형을 맞추며, 다수준 도메인 특징 융합 네트워크(MDFN)를 통해 도메인 특징 추출을 향상시킵니다. 여러 매개변수 효율적 미세 조정(PEFT) 방법을 지원하며, 이미지 분류, 객체 탐지, 음성 향상 등 다양한 작업에서 검증되었습니다. 여섯 개의 벤치마크에 대한 실험 결과는 SOYO가 기존 기준 모델보다 우수함을 보여주며, 복잡하고 변화하는 환경에서의 강건성과 적응성을 입증합니다. 코드는 https://github.com/qwangcv/SOYO 에서 공개될 예정입니다.