弱教師ありインクリメンタルセマンティックセグメンテーション（WILSS）は、継続的に導入されるノイズの多い監督信号によりクラスレベルの表現が徐々に破壊され、深刻な特徴ドリフトと意味的破壊を引き起こすという問題に直面している。その結果、新しく学習したクラスが古いクラスを上書きしてしまう。この課題に対処するため、Zhonggai Wangらは、セマンティックアンカーと空間アービトレーションを通じて意味学習を安定化させる、ドリフト耐性のあるWILSS手法「SASA」を提案した。本論文はICME2026に採択され、コードはGitHubで公開されている。
SASAは、表現レベルと監督レベルの両面から特徴ドリフトの問題に取り組む。表現レベルでは、学習可能なトークンによるセマンティックアンカーを導入する。これらのアンカーは剛的なクラスレベルの参照として機能し、長期的なインクリメンタル学習プロセスにおいて各クラスの意味的アイデンティティを維持する。これに加えて、弾性残差適応モジュールが、アンカーに基づく制御されたインスタンス固有の微調整を可能にする。この剛性と弾性を組み合わせた設計により、モデルは安定性を保ちながら必要な柔軟性も備え、安定かつ柔軟な学習軌跡を形成する。
監督レベルでは、SASAは空間ラベルアービトレーション機構を開発した。この機構は幾何学的認識に基づく決定を行い、信頼できない監督信号を直接フィルタリングし、厳格な「一物体一クラス」制約を強制する。これにより、モデルは弱教師あり信号の信頼性を効果的に向上させ、ノイズがクラス表現に与える悪影響を低減する。表現レベルの安定化と監督レベルの浄化が相乗的に作用し、弱教師あり下での特徴ドリフトを緩和する。
研究チームは標準ベンチマークで大規模な実験を行い、SASAが既存の最先端手法を一貫して上回ることを示した。特に、挑戦的な多段階インクリメンタル設定においてその優位性が顕著である。多段階インクリメンタル学習では、モデルが複数の段階で新クラスを学習しつつ旧クラスを忘れないことが求められ、特徴の安定性と監督の信頼性により高い要求が課される。SASAはまさにこれらの困難に効果的に対処する設計となっている。
本研究の貢献は、表現の安定性と監督の信頼性という二つの観点から、弱教師ありインクリメンタルセマンティックセグメンテーションに対する体系的な解決策を提供する点にある。セマンティックアンカーによる長期的な意味的アイデンティティの保持、弾性残差適応による柔軟な微調整、空間アービトレーションによるノイズのフィルタリングと空間的一貫性の強制を通じて、SASAは複数のベンチマークで有効性を検証している。論文のコードは公開されており、今後の研究や再現に役立つ。