ETF 목표 기하학에 대한 불가능성 결과와 불균형 분석적 지속 학습을 위한 등노름 해결책

요약

본 논문은 분석적 지속 학습(ACL)과 Progressive Neural Collapse (ProNC)의 아이디어를 결합하려 했으나, 이 융합이 단순 원-핫 ACIL과 동일함을 보여줍니다. 대신, ETF의 두 속성인 등각성과 등노름성을 분리하여 가중치에 각각 적용하는 '등노름 후처리'를 제안했습니다. 이는 장꼬리 영역에서 테일 클래스 및 전체 평균 정확도를 크게 복구하는 효과가 입증되었습니다.

핵심 포인트

• ACL과 ProNC의 결합은 단순 원-핫 ACIL과 동일하여 비효율적입니다.
• ETF 속성 중 등노름성은 가중치에 적용 시 장꼬리 영역에서 성능을 회복시킵니다.
• 등노름 후처리는 클래스 불균형이 심할수록 더욱 유용하며, 테일 및 평균 정확도를 향상시킵니다.
• 반면, 등각성은 목표 측면에서는 비활성이지만 가중치 측면에서는 효과가 미미합니다.