[논문 리뷰] Streaming Continual Learning for Unified Adaptive Intelligence in Dynamic Environments

Federico Giannini, Giacomo Ziffer외 2명|arXiv (Cornell University)|2026. 03. 02.

Data Stream Mining Techniques인용 수 0

한 줄 요약

Streaming Continual Learning (SCL)을 소개합니다. 이는 Continual Learning (CL)과 Streaming Machine Learning (SML)을 결합한 통합 프레임워크로, 과거 지식을 유지하면서 비정상적인(non-stationary) 데이터 스트림에 적응합니다.

ABSTRACT

Developing effective predictive models becomes challenging in dynamic environments that continuously produce data and constantly change. Continual Learning (CL) and Streaming Machine Learning (SML) are two research areas that tackle this arduous task. We put forward a unified setting that harnesses the benefits of both CL and SML: their ability to quickly adapt to non-stationary data streams without forgetting previous knowledge. We refer to this setting as Streaming Continual Learning (SCL). SCL does not replace either CL or SML. Instead, it extends the techniques and approaches considered by both fields. We start by briefly describing CL and SML and unifying the languages of the two frameworks. We then present the key features of SCL. We finally highlight the importance of bridging the two communities to advance the field of intelligent systems.

연구 동기 및 목표

• 동적이고 비정상적인 환경에서 강건한 예측의 필요성을 동기 부여한다.
• Streaming Continual Learning (SCL)을 CL과 SML의 목표를 결합하는 통합 프레임워크로 정의한다.
• 보완 학습 시스템 이론에서 영감을 받은 SCL의 핵심 속성과 구성요소를 설명한다.
• CL과 SML 커뮤니티를 연결하고 적응적 지능을 향상시키는 잠재적 연구 방향을 강조한다.

제안 방법

• 각 항목 e_i가 K개의 예제를 담은 데이터 스트림을 정의한다.
• 메모리, 평가, 드리프 처리 측면에서 CL과 SML을 대비하여 SCL의 필요성과 동기를 제시한다.
• 빠른 적응을 위한 빠른 SML 구성요소와 통합을 위한 느린 CL 구성요소의 이중 학습 관점을 제안한다.
• 사전 예측(prequential) 평가를 활용하여 적응을 평가하고 개념 간 기억 소실을 모니터링한다.
• CLS 프레임워크 하에서 자동 드리프 탐지 및 빠른 학습자와 느린 학습자 간의 상호 작용에 대해 논의한다.

실험 결과

연구 질문

• RQ1 CL과 SML을 어떻게 통합하여 드리프트를 다루면서 과거의 유용한 지식을 보존할 수 있는가?
• RQ2 빠른 적응과 장기적 통합을 가능하게 하는 통합 SCL 프레임워크가 갖추어야 할 속성은 무엇인가?
• RQ3 드리프트 탐지를 SCL 내에서 자율적으로 어떻게 도입할 수 있는가?
• RQ4 빠른 학습 구성요소와 느린 학습 구성요소가 정보를 교환하여 적응적 지능을 어떻게 향상시킬 수 있는가?

주요 결과

• SCL을 SML의 드리프트 탐지와 CL의 지식 보유를 결합한 실제적인 통합 패러다임으로 제안한다.
• 빠른 SML 학습자가 현재 concept를 다루고 느린 CL 에이전트가 시간이 지나며 지식을 통합하는 이중 학습 접근법을 설명한다.
• 사전 예측 평가가 드리프트에 대한 적응을 측정하고 기억 소실을 모니터링하는 데 필수적이라고 주장한다.
• 빠른 학습자가 느린 학습 표현을 활용하고 그 반대의 상호 작용이 가능하다고 제안한다.