Zespół badaczy zidentyfikował i zaproponował rozwiązanie dla problemu Modality Contribution Drift w multimodalnym uczeniu ciągłym - zjawiska, w którym względne wkłady poszczególnych modalności w decyzjach systemu ulegają zmianom w trakcie przyswajania nowych zadań. Problem ten dotychczas był pomijany przez istniejące metody, które skupiały się głównie na wyrównywaniu reprezentacji między modalościami i podobieństwie semantycznym.
Do ilościowego opisania tego zjawiska zespół opracował MCD score - metrykę łączącą zmiany w sile wkładu i względnym poleganiu się na poszczególnych modalościach. Badania pokazują, że obecne podejścia w multimodalnym uczeniu ciągłym nie są w stanie niezawodnie łagodzić tego dryfu, co prowadzi do utraty wcześniej nabytej wiedzy. Ta obserwacja ma fundamentalne znaczenie dla zrozumienia, jak systemy wielomodalne ulegają degradacji przy zadaniach sekwencyjnych.
Proponowana metoda CMCDR zachowuje strukturę wkładu modalności z wcześniej nauczonych zadań poprzez regularyzację. Istnieje w dwóch wariantach - replay-based, który wykorzystuje przechowywane stare przykłady jako sondy diagnostyczne do porównania profilów wkładu między obecnym a poprzednim modelem, oraz replay-free, stosujący próbki z obecnego zadania i destylację odpowiedzi modelu zamrożonego. Takie podejście otwiera nowe perspektywy dla bardziej stabilnych systemów uczenia się z wielu typów danych.