本論文では、継続的学習におけるキャリブレーションの重要性を考慮し、Neural Collapse（神経崩壊）の現象を利用して、より信頼性の高い予測を行う新しい手法「Sphere-Adaptive Mixup（SAMix）」を提案しています。これにより、モデルの過信を減少させ、忘れを軽減し、精度を向上させることを目的としています。SAMixは、神経崩壊における特徴空間の幾何学的特性に適応するミキシングプロセスを取り入れており、より頑健な正則化と配置を実現します。実験結果から、SAMixは従来の最先端手法を上回る性能を示し、モデルのキャリブレーションを改善しつつ、タスク間の精度と予測の信頼性を高めることが確認されました。