この記事では、セキュリティ分析における深層学習モデルのパフォーマンスが脅威の変化に伴って低下する問題に対し、RETROFITという新しい継続学習手法を提案しています。従来の継続学習手法はデータの完全再訓練やリプレイに依存しているため、データに敏感な環境では使用が難しくなります。RETROFITは、従来のデータを必要とせず、過去の知識と新しい知識を効果的に統合できるモデルを実現することを目指します。この手法では、既存のモデルを教師役として活用し、パラメータレベルでの統合を行い低ランクでスパースな更新を適用します。評価結果では、マルウェア検出やバイナリ要約のアプリケーションにおいて、RETROFITは忘却を軽減し適応性を維持することが示され、CLのベースラインに対して大幅に改善された結果を出しています。