분할 CIFAR-100에서 시냅스 판별 기반 클래스 점진 학습을 위한 감성 SNN 확장

한줄 요약

Maya-Viveka는 감성 SNN에 시냅스 판별 메커니즘(Viveka)을 추가하여 클래스 점진 학습 성능을 크게 개선한 연구이다.

풀어야 하는 문제

기존 감성 SNN(Maya)은 고정된 태스크에 특화되어 새로운 클래스를 순차적으로 학습할 때 치명적 망각(catastrophic forgetting)이 발생한다. 클래스 점진 학습 환경에서 기억 보호와 새로운 학습 간 균형을 맞추는 것이 핵심 과제이다.

접근 방법

Viveka는 GANE 노르에피네프린 모델에서 영감을 받아, 각 시냅스가 여러 태스크에 걸쳐 얼마나 일관되게 활성화되는지 추적한다. 일관된 시냅스는 Vairagya(보호) 강도를 높여 보존하고, 태스크 특화 시냅스는 표준 보호를 적용한다. 6가지 조건의 절제 연구를 통해 최적의 구성을 찾았다.

결과·기여

Viveka 게이트 선택적 보호 조건(E)에서 평균 정확도 16.03%, 역전이 -50.50%로 SGD 기준(6.82%) 대비 9.21%p 향상되었다. 직교 프로토타입 강제가 replay 예산 부족 시 오히려 성능을 붕괴시키는 실패 모드도 발견하여, 후속 연구의 동기를 제공했다. 감성적 정지(두려움=0)가 10배 어려운 벤치마크에서도 재현 가능함을 확인했다.