지속학습과 지속 그래프 임베딩에서의 안정성 확보 연구

Stability in Continual Learning and Continual Graph Embedding

연구 내용

지속학습에서 망각을 완화하고 안정성과 성능을 균형화하는 방법을 제안하는 연구

지속학습에서는 새 지식을 학습하는 plasticity와 기존 지식을 유지하는 stability 간 균형이 핵심 과제입니다. 본 연구는 태스크 간 망각을 줄이기 위해 attractive/repulsive 형태의 학습 신호를 설계하여, 상충되는 표현 업데이트를 완화하는 방향으로 접근합니다. 또한 온라인 class-incremental learning에서는 재플레이 기반 방법과 dual classifier를 결합해 지식의 통합을 돕고, 편향과 불균형을 완화하는 학습 구조를 구성합니다. 나아가 지속적인 그래프 환경에서는 중요도 전파를 통한 entity grouping과 구조를 반영한 representation learning으로 연속 업데이트 효율을 확보하는 연구를 수행합니다.

관련 프로젝트

5건

연구 흐름

초기에는 continual learning에서 inter-task forgetting 문제를 분석하고, attractive/repulsive 학습으로 안정적인 표현 업데이트를 유도하는 연구를 수행합니다. 이후 online class-incremental learning으로 확장하여, 재플레이 기반 학습에서 plasticity와 stability를 함께 만족시키기 위한 균형 전략을 제안합니다. 이어서 지속 그래프 임베딩으로 연구 범위를 넓혀, 간선 중심성 기반의 중요도 전파를 통해 새 스냅샷 환경에서도 성능을 유지하는 방향을 정리합니다. 최근에는 구조를 반영한 적응형 representation learning(STARK)으로 지속 지식 그래프 임베딩의 학습 효율을 높이는 궤적을 구축합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

온라인 클래스 증분 학습
망각 완화 학습 모듈
지속 그래프 임베딩 업데이트기
재플레이 기반 지식 통합
dual classifier 기반 안정화
관계 중요도 기반 표현 전파
지식 그래프 증분 추론
평생학습형 모델 운영 정책
데이터 스트림 적응형 학습 파이프라인
이력 기반 오류 복원 메커니즘