본 논문은 데이터 증분 학습(data-incremental learning)을 위한 새로운 신경망 구조 탐색(NAS) 기반 프레임워크인 SEAL을 제시합니다. 데이터 증분 학습은 데이터가 순차적으로 도착하고 이전 데이터는 저장되지 않는 상황을 다룹니다. SEAL은 용량 추정 지표를 기반으로 필요한 경우에만 모델을 확장하여 자원 제약 환경에서도 효율적인 학습을 가능하게 합니다. 각 확장 단계 후에는 교차 증류 훈련을 통해 안정성을 유지합니다. NAS 구성 요소는 아키텍처와 최적의 확장 정책을 동시에 탐색합니다. 여러 벤치마크에서의 실험 결과, SEAL은 기존 방법보다 모델 크기를 줄이면서 망각을 효과적으로 줄이고 정확도를 향상시키는 것으로 나타났습니다.
