2026年9月21日、論文「Stable Unsupervised Continual Chunking with Sheaf SyncMap」が arXiv に投稿された。識別番号は arXiv:2609.25143 で、著者は Xueyuan Li と もう1名の共同研究者。機械学習（cs.LG）と人工知能（cs.AI）の両カテゴリに分類されており、PDF、実験的な HTML、TeX ソースなど複数の閲覧形式が用意されている。
本論文が扱うのは「教師なし継続チャンキング」という基礎的な問題である。これは機械学習と神経科学の双方に関わる課題で、時間順に並んだ系列の中から、頻繁に同時出現する状態のまとまりを特定することを目的とする。難しいのは、まとまりを正確に切り出すことだけではなく、時間の経過とともにそのまとまりを安定して保つことにある。新しい構造を反映しつつ、些細な揺らぎで既存のチャンクが崩れてしまわないことが求められる。
著者らはこの課題に対し、自己組織化システムである Decentralized SyncMap に着目する。同システムは教師信号なしに系列構造の表現を徐々に形成できる一方、そのチャンキングのダイナミクスは局所的な不整合の影響を受けやすく、不安定になりがちである。論文では層（sheaf）の考え方を正則化に取り入れ、こうした局所的なずれを抑制することで、全体のダイナミクスを安定させる。
具体的には「放射状層構造（radial sheaf structure）」を導入する。これはあらゆる偏差を一律に罰するのではなく、変数ペア間の径方向の動きに注目し、距離に依存してそのペナルティの効き方を変える。チャンクの安定性を損なうドリフトを抑えつつ、システム本来の自己組織化能力は損なわないようにする狙いである。
評価には Continual General Chunking Problem（CGCP）のグラフを用い、チャンキングの品質は正規化相互情報量（NMI）で測り、複数の SyncMap 変種と比較している。二状態記憶の設定では 18 個の確率的 CGCP グラフのうち 12 個で、動的記憶の設定では 18 個のうち 17 個で、提案手法が最高の NMI を達成した。
さらに逐次適応実験も報告されている。入力分布が変化した後も Sheaf SyncMap は高い NMI を維持しており、既存の知識を保ちながら新しい知識を取り込めることを示す。著者らは、ニューラルネットワークをはじめとする現代の機械学習システムでしばしば観測される負の転移、すなわち新たなタスクの学習が既存タスクの性能を損なう現象を、この手法が回避できている点を強調している。層論の道具立てと自己組織的な継続学習を結びつけた本研究は、安定的で教師なしの継続チャンキングに向けた比較可能な技術的枠組みを提示している。