本論文では、「機械再学習」を一般的な制約最適化問題として定式化しています。このアプローチにより、近似的な再学習手法における第一種手法を統合します。著者たちは、モデルのパラメータ更新方向としての「実行可能な更新」という概念を導入し、再学習を促進しつつ初期モデルの有用性が損なわれないようにします。実行可能な更新の設計は、マスキング（更新すべきモデルのパラメータの慎重な選択）に基づいており、各データバッチの処理時に勾配の推定ノイズを考慮します。これにより、局所的に実行可能な更新を導出するための統計的保証を提供します。この技術は、任意の第一種近似再学習手法に追加的に適用でき、コンピュータビジョンの分類器に関する実験においてその有効性が確認されています。