この論文は、異常なデータ分布を扱い、長期的な自律学習を必要とする現実世界の機械学習アプリケーションの問題を扱います。特に、オンライン学習環境で発生する致命的な忘却（Catastrophic Forgetting、CF）の問題に焦点を当てます。 CF は、モデルが最近の作業に集中し、以前の作業の予測性能が低下する現象です。従来の解決策は、固定サイズのメモリバッファを使用して古いサンプルを保存し、新しい作業を学習するときに再利用する方法を使用していますが、メモリ管理に予測不確実性情報をどのように効果的に活用するか、およびメモリを埋める戦略に関する明確なガイドラインがありません。この論文は、予測不確実性が意思決定空間内のサンプルの位置を表すという直感に基づいて、さまざまな不確実性推定およびメモリ充填戦略を詳細に分析します。 CF緩和に有効なデータポイントの特徴を理解し、負の対数尤度によって導き出された一般化分散による予測不確実性推定方法を提案し、様々な環境における予測不確実性測定のCF減少効果を実験的に証明します。
