사전 학습된 모델의 적응은 역전파(backpropagation) 의 높은 학습 비용과 메모리 기반 또는 컨텍스트 학습(in-context learning) 의 중대한 추론 오버헤드 사이의 균형을 필요로 합니다. 우리는 FAAST 를 제안합니다. FAAST 는 단일 패스(single pass) 로 라벨링된 예시들을 분석적으로 빠른 가중치(fast weights) 로 컴파일하는 전방만 연동(adaptation) 방법입니다. 메모리 또는 컨텍스트 의존성을 제거함으로써, FAAST 는 상수 시간 추론(constant-time inference) 을 달성하고 사전 학습 표현과 작업 적응(task adaptation) 을 분리합니다. 이미지 분류 및 언어 모델링 벤치마크를 통해, FAAST 는 역전파 기반 적응(backprop-based adaptation) 과 일치하거나 초과하며, 적응 시간을 90% 이상 줄이고 메모리/컨텍스트 기반 적응(memory/context-based adaptation) 과 경쟁력 있으면서 메모리 사용량을 최대 95% 절감합니다. 이 결과는 FAAST 를 자원이 제한된 모델(resource-constrained models) 에 특히 적합한 효율적이고 확장 가능한 감독적 작업 적응(supervised task adaptation) 솔루션으로 보여줍니다. 우리는 코드를 https://github.com/baoguangsheng/faast 에서, 모델을 제공합니다.