SGD 대신 지속학습 전용 옵티마이저를, 휴스턴대 SPIN

데이터 스트림을 한 번만 보고 배우는 온라인 지속학습(OCL)은 망각에 약한데도, 옵티마이저는 SGD·AdamW 같은 범용 기법을 그대로 써 왔습니다. 휴스턴대 연구팀의 SPIN은 새 데이터를 빠르게 흡수하는 가소성(plasticity) 시퀀스와 닻 역할의 안정성(stability) 시퀀스를 보간해 업데이트합니다. 기존 방법의 옵티마이저만 바꾸면 되고, 11개 SOTA OCL 방법 전반에서 성능이 올랐습니다. ER 기준 Split CIFAR-100 정확도는 27.94→33.31%였습니다.