MPCS: 신경가소성 지속학습을 위한 다중 구성 요소 가소성과 위상 인식 EWC

지속학습 시스템은 새로운 지식 습득 (가소성) 과 기존 지식 보존 (안정성) 사이의 근본적인 긴장 관계를 직면합니다. 우리는 MPCS(다중 가소성 지속 시스템, Multi-Plasticity Continual System)을 소개하며, 이는 11 가지 보완적 메커니즘을 통합한 신경가소성 구조입니다: 작업 기반 신경발생 (task-driven neurogenesis), 푸리에 인코딩 입력 (Fourier-encoded inputs), EWC 정규화 (EWC regularization), 메타 리플레이 (meta-replay), 혼합 응고 (mixed consolidation), 하이브리드 게이트 (hybrid gating), 시냅스 가지치기/재생성 (synapse pruning/regeneration), 헤비안 업데이트 (Hebbian updates), 작업 유사성 라우팅 (task similarity routing), 적응적 성장 제어 (adaptive growth control), 그리고 지속적 신경 중요도 추적 (continuous neuron importance tracking). 우리는 MPCS 를 MEP-BENCH 에서 평가합니다. 이는 회귀, 분류, 논리 및 혼합 도메인을 포함하는 31 개의 작업을 아우르는 멀티 트랙 벤치마크입니다. 평가 기준은 작업 성능 (Perf), 표현 다양성 (RD), 그리고 그래디언트 충돌 비율 (GCR) 을 포함한 3 차원 파레토 기준입니다. 15 개 아벨레이션 구성 (3 시드 x 4 트랙 x 2000 에포크) 에서 MPCS 는 정규화 효율 점수 (Normalized Efficiency Score) 를 94.2 로 달성하여, 14 개 게이트 통과 시스템 중 9 개의 파레토 프론티어에 위치했습니다. 주요 발견: (i) 푸리에 인코딩은 단일 가장 중요한 구성 요소입니다 (제거 시 Perf 는 30.7 pp 감소하고 14% 의 작업에서 MEP 게이트 실패); (ii) 전역 EWC 는 성능을 저하시킵니다 (NES = -4.2), 위상 국소 EWC 는 이를 완화합니다 (NES 90.5->91.8) 하지만 제거하지는 않습니다; EWC 를 완전히 제거하면 MPCS_EFFICIENT 이 생성되어 가장 높은 Perf 시스템이 됩니다 -- 고 작업 유사성 영역 (s_bar ~= 0.95) 에서 모노톤 관계를 설정합니다: 전역 EWC < 위상 EWC < EWC 없음; (iii) 파레토 상태 평가는 예측적입니다: 두 파레토 지배적 구성 요소 (EWC + Hebbian) 를 함께 제거하면 MPCS_EFFICIENT 이 생성되어 Perf 는 0.6 pp 개선되고 컴퓨트 비용은 4.7 배 감소합니다 (127 vs. 602 min), 파레토 프론티어를 실행 가능한 모델 압축 가이드로 검증했습니다.