NeuMoSync는 뇌의 전역 신경조절 메커니즘에서 영감을 받아 지속학습(Continual Learning)에서 신경망의 가소성 손실과 지식 전이 부족 문제를 해결하는 아키텍처다. 각 뉴런마다 네트워크 전체의 역사적 맥락을 추적하는 학습 가능한 특징 벡터를 부여하고, 더 높은 추상화 수준의 모듈이 현재 입력과 네트워크의 진화하는 상태에 조건화된 뉴런별 신호를 합성해 활성화 동역학과 시냅스 가소성을 적응적으로 조절한다. 무작위 라벨 CIFAR-10·MNIST(암기), 셔플 CIFAR-10·미니이미지넷(개념 표류), 클래스 분할 이미지넷·CIFAR-100(클래스 증분학습), 순열 MNIST(도메인 증분학습) 등 다양한 벤치마크에서 평가한 결과, 기존 방법 대비 순방향·역방향 적응 모두에서 개선을 보였다. 절제 실험은 각 구성요소의 필요성을 확인했고, 학습된 조절 신호 분석 결과 과제 간 해석 가능한 조율 패턴이 드러났다.

• •뇌의 전역 신경조절 메커니즘에서 영감받은 NeuMoSync, 지속학습의 가소성 손실 문제 해결 목표
• •뉴런별 학습 가능한 특징 벡터로 네트워크 전체 역사적 맥락 추적
• •상위 모듈이 현재 입력·네트워크 상태에 조건화된 뉴런별 신호로 활성화·가소성 적응적 조절
• •암기·개념 표류·클래스 증분·도메인 증분 등 8개 벤치마크에서 순방향·역방향 적응 개선
• •절제 실험으로 각 구성요소 필요성 확인, 조절 신호 분석에서 과제 간 해석 가능한 패턴 발견