본 논문은 지속적 학습(Continual Learning, CL)에서 딥러닝 모델의 치명적 망각(Catastrophic Forgetting, CF) 문제를 해결하기 위해, Conceptor 기반 기울기 투영을 사용하는 새로운 방법인 CODE-CL을 제안합니다. 기존의 기울기 투영 방식은 직교 부분 공간에 제약을 가하여 이전 과업의 지식을 보존하지만, 과업 간 상관관계가 높을 경우 전방향 지식 전이(Forward Knowledge Transfer, FWT)를 저해하는 단점이 있습니다. CODE-CL은 Conceptor 행렬 표현을 활용하여 과업 간 상관관계를 적응적으로 처리합니다. 이전 과업의 특징 공간의 의사 직교 부분 공간에 기울기를 투영하여 CF를 완화하는 동시에, 공유 기저 방향의 선형 결합을 학습하여 FWT를 촉진합니다. 이는 안정성과 가소성 간의 효율적인 균형을 이루고, 겹치는 입력 특징 표현 간의 지식 전이를 가능하게 합니다. 다양한 지속적 학습 벤치마크 실험을 통해 CODE-CL의 효과를 검증하고, 기존 최첨단 방법보다 우수한 성능, 감소된 망각, 그리고 향상된 FWT를 보여줍니다.
