우리는 샘플 수가 제한된 새로운 작업에 지속적으로 적응해야 하는 도전적인 지속 학습 형태인 소수 샘플 클래스 증강 학습(few-shot class-incremental learning, FSCIL)을 위한 ‘트릭 모음(boT) 프레임워크’를 제안한다. FSCIL은 기존에 학습한 작업의 성능을 유지하면서도 새로운 작업을 효과적으로 학습해야 하는 안정성(stability)과 적응성(adaptability)을 동시에 요구한다. 본 연구에서 제안하는 트릭 모음은 FSCIL 환경에서 안정성, 적응성 및 전반적인 성능을 향상시키는 여섯 가지 핵심적이고 영향력 있는 기법들을 통합한 일관된 프레임워크이다. 이 트릭들은 세 가지 범주로 구분된다: 안정성 트릭, 적응성 트릭, 학습 트릭. 안정성 트릭은 이미 학습된 클래스의 임베딩 간 분리도를 강화하고, 새로운 클래스를 학습할 때의 간섭을 최소화함으로써 과거 지식의 소실( forgetting )을 완화하는 데 목적이 있다. 반면, 적응성 트릭은 새로운 클래스를 효과적으로 학습하는 데 초점을 맞춘다. 마지막으로, 학습 트릭은 안정성과 적응성을 훼손하지 않으면서도 전반적인 성능을 향상시키는 데 기여한다. 제안된 프레임워크의 효과를 검증하기 위해 CIFAR-100, CUB-200, miniImageNet 세 가지 벤치마크 데이터셋에서 광범위한 실험을 수행하였다. 상세한 분석 결과, 본 방법은 안정성과 적응성 측면에서 모두 상당한 성능 향상을 보이며, 기존의 모든 연구를 능가하는 새로운 최고 성능(state-of-the-art)을 달성함을 입증하였다. 본 연구의 방법이 향후 이 분야의 연구에 있어 신뢰할 수 있는 기준이 되고, 실질적인 해결책으로 자리매김할 것이라 확신한다.