이 논문은 이동형 자율 시스템(Mobile Autonomous Systems)을 위해 설계된 '연합 지속 학습 (Federated Continual Learning, FCL)'의 한계를 극복하는 새로운 프레임워크를 제시합니다. FCL은 분산된 자율 차량 군집(autonomous fleets)이 장기간 임무 수행 중 변화하는 지형 유형에 협력적으로 적응할 수 있게 하는 핵심 기술입니다.
기존 FCL 방법론의 주요 문제점:
현재까지의 연구들은 몇 가지 중요한 한계점을 안고 있습니다. 첫째, 모든 네트워크 계층(network layers)에 동일한 보호 전략을 적용하여 각 계층별로 다른 망각 민감도(varying sensitivities to forgetting)를 고려하지 못합니다. 둘째, 대부분의 방법론이 학습 중 발생하는 '망각 방지(prevention of forgetting)'에만 초점을 맞추고, 장기적인 관점에서 발생하는 누적 드리프트(cumulative drift)와 같은 성능 저하 문제를 다루지 못합니다. 셋째, 실제 분산된 군집 환경의 이질성(real-world heterogeneity)을 포착하지 못하고 이상화된 시뮬레이션에 의존하는 경우가 많습니다.
제안하는 생애주기 인식 FCL 프레임워크:
저자들은 이러한 문제들을 해결하기 위해 '생애주기 인식 이중 시간 스케일 FCL (lifecycle-aware dual-timescale FCL)' 프레임워크를 제안합니다. 이 프레임워크는 학습 과정의 두 가지 핵심 단계, 즉 **훈련 중 망각 예방(training-time pre-forgetting prevention)**과 **망각 후 복구(post-forgetting recovery)**를 통합적으로 다룹니다.
- 즉각적 망각 완화 (Pre-forgetting): 로컬 학습 과정에서 발생하는 즉각적인 모델 성능 저하를 막기 위해 '계층 선택적 재연습 전략(layer-selective rehearsal strategy)'을 설계했습니다. 이는 네트워크의 모든 계층에 균일한 보호가 아닌, 각 계층의 특성을 고려하여 최적화된 방식으로 망각을 완화합니다.
- 장기 성능 복구 (Post-forgetting): 장기간 임무 수행으로 인해 발생하는 누적 드리프트(cumulative drift)는 단순히 학습만으로는 해결하기 어렵습니다. 이를 위해 '신속 지식 회복 전략(rapid knowledge recovery strategy)'을 도입하여, 시간이 지나 성능이 저하된 모델의 지식을 효과적으로 복원합니다.
학술적 및 실험적 검증:
본 연구는 이질적인 망각 역동성(heterogeneous forgetting dynamics)을 특성화하는 이론적 분석을 제시하며, 장기적인 성능 저하가 불가피함을 수학적으로 입증했습니다. 실험 결과는 제안된 프레임워크의 우수성을 명확히 보여줍니다. 실제 데이터셋 및 시뮬레이션 환경에서 최강의 연합 기준선(strongest federated baseline) 대비 최대 8.3% mIoU 개선을 달성했으며, 기존의 일반적인 파인튜닝 방식과 비교했을 때는 최대 31.7%에 이르는 성능 향상을 기록했습니다. 나아가, 실제 로버 테스트베드(real-world rover testbed)에 프레임워크를 배포하여 현실적 제약 조건 하에서의 시스템 레벨 강건성(system-level robustness)을 평가했으며, 그 결과 역시 FCL 설계의 효과성을 재차 확인시켜 주었습니다.