망각을 '대기줄'로 관리합니다 — 연합 지속학습을 제어 문제로 다시 쓴 FedQCL

연합 지속학습(FCL)에서 망각은 태스크의 시간적 진화와 클라이언트 간 데이터 이질성이 얽힌 장기·분산 현상인데, 기존 replay·정규화·투영 기반 휴리스틱은 이를 국소적으로만 다룰 뿐 명시적으로 규제하지 못했습니다. FedQCL은 FCL을 태스크별 최적화의 나열이 아니라 확률적 제어 문제로 재정식화하고 Lyapunov drift-plus-penalty(DPP) 목적함수를 씁니다. 핵심 장치는 태스크와 클라이언트에 걸쳐 쌓이는 망각을 추적하는 가상 큐(virtual queue)로, 안정성-가소성 트레이드오프를 파라미터 하나로 명시 조절할 수 있게 합니다. Split-CIFAR-10, Split-CIFAR-100, Split-TinyImageNet 벤치마크에서 최신 베이스라인 대비 정확도 우위를 보였고 이질적 데이터 분포에서 망각을 크게 줄였는데, gradient projection이나 추가 통신 오버헤드 없이 달성했다는 점을 성과로 내세웁니다(초록에 정량 개선폭은 없습니다). 8월 21일 제출돼 8월 25일 arXiv 리스팅으로 공개된 CoLLAs 2026 채택작입니다.