연속 메타러닝을 위한 온라인 변곡점 탐지

본 논문은 메타러닝이 기존에 가정해 온 작업(Task) 구분이 사전에 제공되는 환경을 넘어, 작업이 시간에 따라 불연속적으로 전환되는 연속적인 데이터 스트림에서도 적용될 수 있는 새로운 프레임워크인 MOCA(Meta‑Learning via Online Changepoint Analysis)를 제안한다. 기존 메타러닝은 훈련 단계에서 각 작업별 데이터셋을 별도로 제공받아 메타 파라미터 θ를 학습하고, 테스트 단계에서는 고정된 작업에 대해 몇 개의 샘플만으로 빠르게 적응한다는 전제가 있었다. 그러나 로봇 제어, 환경 모니터링 등 실제 시스템에서는 작업 전환이 관측되지 않으며, 데이터가 연속적인 시계열 형태로 제공된다. 이러한 상황에서는 작업을 사전에 구분할 수 없기 때문에 기존 메타러닝 파이프라인을 그대로 적용하기 어렵다. MOCA는 이러한 문제를 해결하기 위해 베이지안 온라인 변곡점 탐지(BOCPD)와 메타러닝을 결합한다. BOCPD는 현재까지 관측된 데이터가 동일한 작업에서 생성된 기간, 즉 런 길이 rₜ를 확률적으로 추정한다. 런 길이 rₜ 가 0이면 새로운 작업이 시작된 것으로 간주한다. MOCA는 이 런 길이 분포 bₜ(r) 를 유지하면서, 각 가능한 r 에 대해 메타러닝 모델의 사후 파라미터 ηₜ