🤖 machine learning

GLAM: Efficient Continual Learning at Scale via Grouped LoRA Adapter Merging

GLAM एक कुशल निरंतर शिक्षण (continual learning) ढांचा है जो प्रत्येक कार्य के लिए महत्व स्केलर (importance scalars) के साथ हल्के LoRA एडेप्टर को प्रशिक्षित करता है, फिर उन्हें लंबी कार्य अनुक्रमों पर अत्याधुनिक सटीकता प्राप्त करने के लिए समूहबद्ध मॉड्यूल में छंटनी (prune), पुन: स्केल (rescale) और मर्ज करता है, जिससे प्रशिक्षण योग्य मापदंडों और प्रशिक्षण समय में महत्वपूर्ण कमी आती है।

मूल लेखक: Irene Testa, Luigi Quarantiello, Eric Nuertey Coleman, Samrat Mukherjee, Julio Hurtado, Vincenzo Lomonaco

प्रकाशित 2026-08-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Irene Testa, Luigi Quarantiello, Eric Nuertey Coleman, Samrat Mukherjee, Julio Hurtado, Vincenzo Lomonaco

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान, सुपर-स्मार्ट रोबोट को दुनिया में हर चीज़ को पहचानना सिखा रहे हैं, जैसे कि आपकी पालतू बिल्ली से लेकर एक दुर्लभ पक्षी तक, और फिर एक विशिष्ट प्रकार की कार तक। रोबोट एक विशाल, पहले से लोड किए गए मस्तिष्क के साथ शुरू करता है जो पहले से ही बहुत कुछ जानता है। लेकिन पेचीदा हिस्सा यह है कि हर बार जब आप उसे कुछ नया सिखाते हैं, तो वह थोड़ा "भुलक्कड़" हो जाता है, और अनजाने में कल सीखी गई यादों को मिटा देता है। यह कंप्यूटर विज्ञान की एक प्रसिद्ध समस्या है जिसे "कैटैस्ट्रोफिक फॉरगेटिंग" (विनाशकारी विस्मृति) कहा जाता है। आमतौर पर, इसे ठीक करने के लिए, आपको रोबोट के पूरे मस्तिष्क को हर बार शुरू से फिर से प्रशिक्षित करना पड़ता है, जिसमें बहुत समय लगता है और बिजली का भारी खर्च होता है। वैज्ञानिक इस बात का तरीका खोजने की कोशिश कर रहे हैं जिससे आप इन रोबोटों को नई चीजें सिखा सकें बिना पुरानी चीजों को भुलाए, इस उम्मीद में कि वे ऐसे मशीनें बना सकें जो निरंतर सीख सकें, बिल्कुल इंसानों की तरह, बिना हर दिन एक बड़े मेमोरी अपग्रेड की आवश्यकता के।

यहाँ GLAM आता है, जो इस रोबोट के मस्तिष्क के लिए एक चतुर, व्यवस्थित लाइब्रेरियन (पुस्तकालयाध्यक्ष) की तरह काम करता है। हर नई सीख को अलग, भारी-भरकम किताब में भरने के बजाय, GLAM रोबोट को प्रत्येक नए कार्य के लिए छोटे, हल्के नोट्स (जिन्हें "एडेप्टर" कहा जाता है) लिखना सिखाता है। लेकिन असली जादू यह है: हजारों नोट्स रखने के बजाय, GLAM समान नोट्स को एक साथ समूह में रखता है, बिखरे हुए, महत्वहीन कचरे को हटा देता है, और उन्हें एक एकल, साफ-सुथरे सारांश में मिला देता है। यह वैसा ही है जैसे 50 अलग-अलग यात्रा जर्नल्स का एक ढेर लेना, उन्हें पढ़ना, और उन्हें एक आदर्श ट्रैवल गाइड में समेट देना जो सभी बेहतरीन सुझावों को रखे बिना भी भारी न हो।

शोधकर्ताओं ने पाया कि यह दृष्टिकोण अविश्वसनीय रूप से कुशल है। जब उन्होंने इस पद्धति का परीक्षण 50 अलग-अलग कार्यों (जैसे कि छवियों के 50 अलग-अलग सेटों को पहचानना) के अनुक्रम पर किया, तो इसने न केवल अच्छी तरह से सीखा; बल्कि इसने बहुत तेजी से सीखा। वास्तव में, यह अन्य प्रतिस्पर्धी तरीकों की तुलना में लगभग तीन गुना तेजी से प्रशिक्षित हुआ और इसने अन्य तरीकों की तुलना में केवल लगभग 20% "प्रशिक्षण योग्य मस्तिष्क शक्ति" (पैरामीटर्स) का उपयोग किया। जबकि अन्य तरीके बढ़ते हुए कार्यों के साथ तालमेल बिठाने में संघर्ष करते रहे, GLAM सटीक रहा और उन सभी परीक्षणों में उच्चतम सटीकता प्राप्त की जो उन्होंने चलाए थे। इसने साबित कर दिया कि आप रोबोट को अतीत को भूले बिना या सुपरकंप्यूटर की गणितीय गणनाओं की आवश्यकता के बिना लंबे समय तक नई चीजें सिखा सकते हैं।

समस्या: रोबोट की छोटी याददाश्त

एक आधुनिक AI मॉडल को एक विशाल, पूर्व-प्रशिक्षित मस्तिष्क के रूप में सोचें जिसने पहले ही पूरा इंटरनेट पढ़ लिया है। यह अद्भुत है, लेकिन इसमें एक दोष है: यदि आप इसे कुछ नया सिखाने की कोशिश करते हैं, जैसे कि कुत्ते की एक विशिष्ट नस्ल को कैसे पहचानना है, तो यह अक्सर भ्रमित हो जाता है और उस बिल्ली को पहचानना भूल जाता है जिसे वह पहले जानता था। यह "भूलने" की समस्या है।

इसे रोकने के लिए, वैज्ञानिक आमतौर पर मस्तिष्क के मुख्य हिस्सों को फ्रीज (स्थिर) करने का प्रयास करते हैं और केवल एक छोटा, विशेष खंड ही नई चीजें सीखने देते हैं। इसे LoRA (लो-रैंक एडैप्टेशन) कहा जाता है। कल्पना कीजिए कि मस्तिष्क एक विशाल पुस्तकालय है, और LoRA एक पूरी किताब को फिर से लिखने के बजाय एक विशिष्ट शेल्फ पर एक छोटा, चिपचिपा नोट (sticky note) जोड़ने जैसा है। यह कुशल है, लेकिन यदि आपके पास 50 अलग-अलग कार्य हैं, तो आपके पास 50 अलग-अलग स्टिकी नोट्स होंगे। 50 नोट्स को प्रबंधित करना अव्यवस्थित है, और यदि आप उन सभी को एक साथ पढ़ने की कोशिश करते हैं, तो यह रोबोट की गति को धीमा कर देता है।

GLAM समाधान: ग्रुपिंग गेम

GLAM (ग्रुपेड LoRA एडेप्टर मर्जिंग) इन स्टिकी नोट्स को टीमों में व्यवस्थित करके खेल बदल देता है। यह कैसे काम करता है, यहाँ चरण-दर-चरण दिया गया है:

नया पाठ: जब रोबोट एक नया कार्य सीखता है, तो GLAM उस काम के लिए एक छोटा, हल्का नोट (एडेप्टर) बनाता है। यह इस नोट को एक "महत्व स्कोर" भी देता है ताकि यह बताया जा सके कि यह कितना महत्वपूर्ण है।
समूहीकरण (Grouping): हर नोट को अलग रखने के बजाय, GLAM इसे कुछ "समूहों" में से एक में बेतरतीब ढंग से असाइन करता है (जैसे कि एक नई किताब को पांच विशिष्ट शेल्फों में से एक पर रखना)।
सफाई (Pruning): नोट को समूह में जोड़ने से पहले, GLAM एक त्वरित सफाई करता है। यह नोट को देखता है और कमजोर, महत्वहीन हिस्सों ("शोर") को फेंक देता है, केवल मजबूत, स्पष्ट जानकारी को रखता है। यह रोकता है कि नोट्स अव्यवस्थित न हों या एक-दूसरे में हस्तक्षेप न करें।
विलय (Merge): नए, साफ किए गए नोट को फिर धीरे से समूह के मौजूदा सारांश में मिला दिया जाता है। समूह का सारांश नई जानकारी को शामिल करने के लिए अपडेट किया जाता है, लेकिन यह अभी भी केवल एक ही नोट रहता है।
अंतिम परिणाम: अंत में, सभी समूह सारांशों को एक एकल, अत्यंत कुशल मॉड्यूल में मिला दिया जाता है। रोबोट को 50 नोट्स देखने की आवश्यकता नहीं है; उसे बस एक संक्षिप्त सारांश देखना है जिसमें वह सब कुछ समाहित है जो उसने सीखा है।

यह क्यों एक बड़ी बात है

शोधकर्ताओं ने तीन अलग-अलग इमेज डेटासेट्स पर इसका परीक्षण किया: CIFAR-100 (100 प्रकार की वस्तुएं), CUB-200 (200 प्रकार के पक्षी), और ImageNet-R (200 प्रकार की कलात्मक छवियां)। उन्होंने रोबोट को 50 कार्यों के अनुक्रमों में प्रशिक्षित किया, जो कि अधिकांश वैज्ञानिकों द्वारा उपयोग किए जाने वाले सामान्य 10-कार्य परीक्षणों से बहुत लंबा है।

परिणाम प्रभावशाली थे:

गति: GLAM ने सबसे अच्छे प्रतिस्पर्धी तरीके (CL-LoRA) की तुलना में लगभग 3 गुना तेजी से प्रशिक्षण लिया।
आकार: इसने सबसे अच्छे बेसलाइन द्वारा उपयोग किए गए प्रैमिटर्स का केवल 16-19% उपयोग किया।
सटीकता: इसने सभी तीन डेटासेट्स पर उच्चतम स्कोर प्राप्त किया। उदाहरण के लिए, CUB-200 पक्षी डेटासेट पर, इसने 70.96% सटीकता प्राप्त की, जो अगले सबसे अच्छे तरीके से काफी आगे है।
भूलना (Forgetting): इसने दूसरों की तुलना में कम भुला। जबकि कुछ तरीकों ने उसी डेटासेट पर जो सीखा था उसका लगभग 33% भूल दिया, GLAM ने केवल 20% भुलाया।

पेपर यह सुझाव देता है कि यह "समूहीकरण और विलय" की रणनीति ही वह कुंजी है जो AI को बिना बोझ महसूस किए निरंतर सीखने में सक्षम बनाती है। सक्रिय नोट्स की संख्या को कम रखकर और जाते-जाते उन्हें साफ करके, GLAM रोबोट को कुशलतापूर्वक कार्यों के एक लंबे अनुक्रम को सीखने की अनुमति देता है, बिना हर एक विवरण को अलग से याद रखने की आवश्यकता के। यह उन मशीनों की ओर एक कदम है जो वास्तव में समय के साथ सीख सकती हैं और बढ़ सकती हैं, बिल्कुल हमारी तरह।

=== तकनीकी सारांश: GLAM – ग्रुपेड लोरा एडॉप्टर मर्जिंग के माध्यम से बड़े पैमाने पर कुशल निरंतर शिक्षण (Continual Learning) ===

समस्या विवरण

कंटीन्यूअल लर्निंग (CL) का लक्ष्य मॉडलों को पिछले ज्ञान को बनाए रखते हुए क्रमिक रूप से कार्यों (tasks) के अनुक्रमों से सीखने में सक्षम बनाना है, जो कि कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) की निरंतर समस्या को संबोधित करता है। जबकि बड़े प्री-ट्रेंड फाउंडेशन मॉडल्स समृद्ध प्रतिनिधित्व प्रदान करते हैं जो आंशिक रूप से भूलने की प्रक्रिया को कम करते हैं, वे अत्यधिक कम्प्यूटेशनल लागत के बिना विकसित होते डेटा वितरणों के अनुकूल होने में संघर्ष करते हैं।

मौजूदा पैरामीटर-एफिशिएंट फाइन-ट्यूनिंग (PEFT) विधियाँ, विशेष रूप से लो-रैंक अडैप्टेशन (LoRA), आमतौर पर स्थिर, सिंगल-टास्क परिदृश्यों के लिए डिज़ाइन की गई हैं। CL में LoRA को लागू करना तीन प्रमुख चुनौतियों को प्रस्तुत करता है:

कैटास्ट्रोफिक फॉरगेटिंग: पिछले कार्यों के ज्ञान के नुकसान को रोकना।
नॉलेज ट्रांसफर: संबंधित कार्यों के बीच प्रभावी हस्तांतरण को सक्षम करना।
स्केलेबिलिटी: जैसे-जैसे कार्यों की संख्या बढ़ती है, मापदंडों (parameters) को कुशलतापूर्वक आवंटित करना।

वर्तमान LoRA-आधारित CL दृष्टिकोण अक्सर प्रत्येक कार्य के लिए अलग-अलग एडॉप्टर्स संग्रहीत करते हैं (जिसके लिए इन्फरेंस के समय टास्क आइडेंटिफायर की आवश्यकता होती है) या जटिल आइसोलेशन रणनीतियों का उपयोग करते हैं जो नॉलेज ट्रांसफर को सीमित करती हैं। वैकल्पिक रूप से, पोस्ट-हॉक मर्जिंग विधियाँ प्रशिक्षण के बाद एडॉप्टर्स को समेकित करती हैं, जो सीखने के चरण के दौरान ट्रांसफर को सीमित करती हैं और अक्सर मैन्युअल रूप से ट्यून किए गए, उप-इष्टतम गुणांकों (coefficients) पर निर्भर करती हैं। इसके अलावा, कई मौजूदा विधियाँ एडॉप्टर्स को स्वतंत्र रूप से मानती हैं, जिससे साझा शिक्षण या एडेप्टिव पुन: उपयोग का समर्थन करने में विफलता होती है, और जैसे-जैसे टास्क सीक्वेंस लंबे होते जाते हैं, उच्च प्रशिक्षण लागत आती है।

कार्यप्रणाली: GLAM

लेखक GLAM (ग्रुपेड लोरा एडॉप्टर मर्जिंग) का प्रस्ताव करते हैं, जो एक फ्रेमवर्क है जिसे क्लास-इन्क्रीमेंटल कंटीन्यूअल लर्निंग के लिए डिज़ाइन किया गया है जो पिछले टास्क सैंपल्स तक पहुँच के बिना, कार्यों के आगे बढ़ने के साथ एडॉप्टर्स को गतिशील रूप से ग्रुप और मर्ज करता है। यह विधि तीन-चरणीय पाइपलाइन के माध्यम से संचालित होती है:

1. टास्क-विशिष्ट LoRA प्रशिक्षण

प्रत्येक नए कार्य $T_i$ के लिए, GLAM एक हल्का, कार्य-विशिष्ट LoRA एडॉप्टर $\Delta W_i = B_i A_i$ और एक संबंधित महत्व स्केलर (importance scalar) $\alpha_i$ को प्रशिक्षित करता है।

ऑप्टिमाइज़ेशन: एडॉप्टर $\Delta W_i$ और उसका स्केलर $\alpha_i$ वर्तमान डेटासेट $D_i$ पर ऑप्टिमाइज़ किया जाता है।
फ्रीजिंग: बेस प्री-ट्रेंड वेट्स $W_0$ और पहले से सीखे गए ग्रुप एडॉप्टर्स $\{\Delta W_{G_j}\}$ को फ्रीज रखा जाता है।
डायनेमिक स्केलिंग: संतुलित सापेक्ष महत्व बनाए रखने के लिए नए कार्य के प्रशिक्षण के दौरान मौजूदा ग्रुप एडॉप्टर्स के स्केलिंग फैक्टर्स $\{\alpha_{G_j}\}$ को अपडेट किया जाता है।
क्लासिफायर मास्किंग: केवल प्रासंगिक क्लासिफायर मापदंडों को ऑप्टिमाइज़ करने के लिए वर्तमान कार्य के बाहर की क्लासेस के लॉजिट्स (logits) को मास्क किया जाता है।

2. एडॉप्टर ग्रुपिंग

अनबाउंड पैरामीटर ग्रोथ को रोकने के लिए, GLAM हर कार्य के लिए एक अलग मॉड्यूल रखने के बजाय एक डायनेमिक ग्रुपिंग रणनीति का उपयोग करता है।

ग्रुप एसोसिएशन: कार्य $T_i$ के लिए प्रशिक्षण पूरा करने पर, नए एडॉप्टर को उपलब्ध ग्रुप स्लॉट्स (अधिकतम $G_{max}$ तक) के सेट से एक रैंडम सैंपलिंग रणनीति के माध्यम से एक ग्रुप $G_j$ को असाइन किया जाता है। यदि स्लॉट खाली है, तो एक नया ग्रुप इनिशियलाइज़ किया जाता है; अन्यथा, एडॉप्टर एक मौजूदा ग्रुप में शामिल हो जाता है।
इम्पॉर्टेंस एग्रीगेशन: प्रत्येक ग्रुप एक एकल स्केलिंग फैक्टर $\alpha_{G_j}$ बनाए रखता है, जिसे उसे असाइन किए गए सभी एडॉप्टर्स के महत्व कारकों के रनिंग एवरेज के रूप में अपडेट किया जाता है।
मैग्निट्यूड-बेस्ड प्रूनिंग: मर्ज करने से पहले, इनकमिंग एडॉप्टर मैग्निट्यूड-बेस्ड प्रूनिंग से गुजरता है। मैट्रिसेस $B_i$ और $A_i$ में केवल टॉप- $k\%$ वेट्स (एब्सोल्यूट वैल्यू द्वारा) को ही रिटेन किया जाता है। यह स्टेप फिशर-आधारित मानदंडों की उच्च कम्प्यूटेशनल लागत के बिना कमजोर या रेडंडेंट घटकों से हस्तक्षेप को कम करता है।
इंट्रा-ग्रुप मर्जिंग: प्रून किया गया एडॉप्टर वर्तमान ग्रुप एडॉप्टर $\Delta W_{G_j}$ के साथ ग्रुप साइज के आधार पर वेटेड एवरेज का उपयोग करके लीनियरली मर्ज किया जाता है। यह कई टास्क-विशिष्ट अपडेट को एक सिंगल ग्रुप-लेवल रिप्रेजेंटेशन में समेकित करता है।

3. क्लासिफायर अलाइनमेंट और फाइनल कॉनकैटिनेशन

क्लासिफायर अलाइनमेंट: हाल ही में सीखी गई क्लासेस की ओर बायस को कम करने के लिए, एक क्लासिफायर-अलाइनमेंट स्टेज किया जाता है। देखे गए सभी कार्यों के क्लास फीचर्स के संग्रहीत गॉसियन स्टैटिस्टिक्स (मीन और वेरिएंस) से सिंथेटिक फीचर्स सैंपल किए जाते हैं। अंतिम लीनियर क्लासिफायर को इन सिंथेटिक फीचर्स पर फिर से प्रशिक्षित किया जाता है जबकि फीचर एक्सट्रैक्टर फ्रीज रहता है।
फाइनल कॉनकैटिनेशन: इन्फरेंस के समय, सभी ग्रुप एडॉप्टर्स को एक सिंगल यूनिफाइड मॉड्यूल में संयोजित किया जाता है। यह प्रत्येक ग्रुप एडॉप्टर को उसके महत्व कारक $\alpha_{G_j}$ द्वारा स्केल करके और उन्हें रैंक डायमेंशन के साथ कॉनकैटेट करके प्राप्त किया जाता है। परिणामी मॉडल में एक सिंगल कॉम्पैक्ट एडॉप्टर $\Delta W_{final}$ होता है, जो सुनिश्चित करता है कि कार्यों की संख्या के बावजूद कम्प्यूटेशनल कॉस्ट स्थिर रहे।

मुख्य योगदान

स्केलेबल CL कार्यप्रणाली: फाउंडेशन मॉडल्स के लिए एक नवीन दृष्टिकोण जो PEFT तकनीकों का लाभ उठाता है, जिसमें टास्क-विशिष्ट अनुकूलन के साथ LoRA मॉड्यूल और उनके महत्व गुणांकों को संयुक्त रूप से सीखने के तंत्र को जोड़ा गया है।
प्रोग्रेसिव मर्जिंग पाइपलाइन: एक रणनीति जो टास्क-विशिष्ट एडॉप्टर्स को ग्रुप एडॉप्टर्स के एक बाउंडेड सेट में समेकित करती है। यह लॉन्ग टास्क सीक्वेंस के माध्यम से पैरामीटर ग्रोथ को नियंत्रित करती है और सीक्वेंसल ग्रुपिंग और मैग्निट्यूड-बेस्ड प्रूनिंग के माध्यम से मर्जिंग इंटरफेरेंस को कम करती है।
अनुभवजन्य सत्यापन (Empirical Validation): विविध बेंचमार्क (CIFAR-100, CUB-200, ImageNet-R) पर व्यापक प्रयोग, जो लंबे टास्क सीक्वेंस (50 कार्यों तक) वाले डायनेमिक CL परिदृश्यों में स्टेट-ऑफ-द-आर्ट प्रदर्शन प्रदर्शित करते हैं, जबकि मजबूत बेसलाइन्स की तुलना में प्रशिक्षण समय और ट्रेन करने योग्य मापदंडों को काफी कम करते हैं।

प्रयोगात्मक परिणाम

लेखकों ने GLAM का मूल्यांकन 50 कार्यों के अनुक्रमों तक के मानक बेंचमार्क पर किया, जो हाल के साहित्य में पाए जाने वाले विशिष्ट 10-टास्क प्रोटोकॉल की तुलना में काफी अधिक चुनौतीपूर्ण सेटिंग है।

सटीकता और भूलना (Accuracy and Forgetting): GLAM ने तीनों बेंचमक्स में उच्चतम औसत सटीकता प्राप्त की। सबसे मजबूत प्रदर्शन करने वाले बेसलाइन (जो डेटासेट और मेट्रिक के अनुसार भिन्न होता है, जैसे CIFAR-100 पर CL-LoRA, ImageNet-R पर SEMA) की तुलना में, GLAM ने औसत 6% सटीकता में वृद्धि और 8% भूलने (forgetting) में कमी हासिल की। उदाहरण के लिए, CIFAR-100 पर, GLAM (84.73%) ने CL-LoRA (77.56%) को काफी पीछे छोड़ दिया, जबकि CUB-200 पर, GLAM (70.96%) ने CL-LoRA (61.49%) से बेहतर प्रदर्शन किया।
दक्षता (Efficiency): GLAM ने श्रेष्ठ कम्प्यूटेशनल दक्षता प्रदर्शित की। इसने सबसे मजबूत प्रदर्शन करने वाले बेसलाइन की तुलना में लगभग 3× ट्रेनिंग स्पीडअप प्राप्त किया, जबकि उस बेसलाइन द्वारा उपयोग किए गए ट्रेन करने योग्य मापदंडों का केवल 16–19% ही उपयोग किया (उदाहरण के लिए, CIFAR-100 पर GLAM के लिए ~3.6M पैरामीटर्स बनाम CL-LoRA के लिए ~19.2M पैरामीटर्स)।
स्केलेबिलिटी: जैसे-जैसे कार्यों की संख्या 10 से बढ़कर 50 हुई, GLAM ने न्यूनतम गिरावट के साथ मजबूत प्रदर्शन बनाए रखा, जबकि प्रतिस्पर्धी तरीकों ने उल्लेखनीय सटीकता गिरावट दिखाई।
एब्लेशन स्टडीज: विश्लेषणों ने दो-चरण वाली क्रमबद्ध मर्जिंग रणनीति की प्रभावशीलता की पुष्टि की। पाया गया कि रैंडम ग्रुपिंग, अधिक जटिल क्लस्टरिंग रणनीतियों जितनी ही प्रभावी थी, और मैग्निट्यूड-बेस्ड प्रूनिंग ने इंटरफेरेंस को कम करने में प्रभावशीलता दिखाई।

महत्व और दावे

यह पेपर GLAM को फाउंडेशन मॉडल्स में लाइफलॉन्ग लर्निंग की दिशा में एक महत्वपूर्ण कदम के रूप में स्थापित करता है। मौजूदा PEFT-आधारित CL विधियों की स्केलेबिलिटी बाधा को संबोधित करके, GLAM पैरामीटर्स या कम्प्यूटेशनल लागत के लीनियर विस्फोट के बिना नया ज्ञान लगातार जोड़ने में सक्षम बनाता है।

लेखक दावा करते हैं कि GLAM उन वास्तविक दुनिया के परिदृश्यों के लिए एक व्यावहारिक समाधान प्रदान करता है जहाँ मॉडल्स को सीमित समय और संसाधन बजट के तहत कार्यों के लंबे अनुक्रमों के अनुकूल होना पड़ता है। विधि स्थिरता-प्लास्टिसिटी (stability-plasticity) के संतुलन को सफलतापूर्वक बनाए रखती है, पिछले कार्यों के ज्ञान को सुरक्षित रखते हुए नए सूचनाओं को कुशलतापूर्वक एकीकृत करती है, और फाइनल एडॉप्टर कॉनकैटिनेशन के माध्यम से स्थिर इन्फरेंस कॉस्ट बनाए रखती है। यह कार्य सुझाव देता है कि डायनेमिक ग्रुपिंग और मर्जिंग, न कि स्टैटिक आइसोलेशन या पोस्ट-हॉक कंसोलिडेशन, कुशल, बड़े पैमाने पर निरंतर शिक्षण के लिए एक व्यवहार्य मार्ग है।