본 논문은 지속적인 학습(Continual Learning)에서 기존 지식을 유지하면서 새로운 데이터에서 지식을 점진적으로 획득하는, 새로운 불확실성 기반 비지도 지속적 학습 프레임워크인 "Replay to Remember (R2R)"을 제시합니다. R2R은 클러스터 수준의 불확실성 기반 피드백 메커니즘과 VLM 기반 생성적 재생 모듈을 사용하여 비표지 데이터와 합성 표지 데이터를 균형 있게 효율적으로 사용합니다. 기존의 메모리 버퍼 방식과 달리 사전 훈련된 모델이나 의사 레이블 없이 작동하며, 비표지 데이터의 시각적 특징을 활용하고 클러스터링 기반 불확실성 추정과 동적 임계값을 사용하여 지속적으로 적응합니다. 동시에, DeepSeek-R1 기반 CLIP VLM을 사용한 생성적 재생 메커니즘은 과거 경험을 나타내는 표지된 합성 데이터를 생성하여 새로운, 보지 못한 작업에서 기억을 재생하고 행동하는 생물학적 시각적 사고를 닮았습니다. CIFAR-10, CIFAR-100, CINIC-10, SVHN, TinyImageNet 데이터셋에서 광범위한 실험 분석을 수행하여 기존 최고 성능을 4.36% 이상 능가하는 98.13%, 73.06%, 93.41%, 95.18%, 59.74%의 최첨단 성능을 달성했습니다.
