지속 학습(Continual Learning, CL)에서 새로운 과업을 위한 기울기 업데이트는 이전에 학습된 가중치를 덮어써버리는 치명적인 망각(Catastrophic Forgetting, CF) 문제를 야기한다. 본 논문에서는 학습 가능한 과업 원형(task prototypes)을 조건으로 하는 단일 하이퍼네트워크가 필요에 따라 과업 특정 분류기 헤드를 동적으로 생성하는, 원형 증강 하이퍼네트워크(Prototype-Augmented Hypernetworks, PAH) 프레임워크를 제안한다. 망각을 완화하기 위해 PAH는 교차 엔트로피 손실과 이중 증류 손실(logit 정렬 및 원형 정렬)을 결합하여 과업 간 안정적인 특징 표현을 보장한다. Split-CIFAR100 및 TinyImageNet에 대한 평가 결과, PAH는 기존 방법보다 뛰어난 성능을 달성하여 망각률이 각각 1.7%와 4.4%에 불과하면서 74.5%와 63.7%의 정확도를 기록했다. 샘플이나 헤드를 저장하지 않고도 이러한 성능을 달성했다는 점이 특징이다.
