弱教師あり増分学習によるセマンティックセグメンテーション（WILSS）は、ノイズの多い教師信号が継続的に導入されることで、クラスレベルの表現が段階的に腐敗し、特徴ドリフトと意味的な破損が発生するという課題に直面しています。このため、新たに学習されたクラスが既存のクラスを上書きしてしまい、モデルのパフォーマンスが低下する傾向にあります。 これらの問題に対処するため、研究チームは「SASA」と呼ばれるドリフト耐性のあるWILSSアプローチを提案しました。このアプローチは、意味アンカーと空間仲裁によってセマンティック学習を安定化させるよう設計されています。具体的には、表現レベルでは、学習可能なトークンから構成される意味アンカーを導入し、これを厳密なクラスレベルの参照として機能させることで、長期的な意味的同一性を保持します。これと相補的に、弾性残差適応により、インスタンス固有の制御された改善を促進し、安定かつ柔軟な学習軌跡を確保します。 教師信号レベルでは、空間ラベル仲裁メカニズムを開発しました。これは幾何学的に認識した決定を実行することで、信頼性の低い信号を直接フィルタリングし、厳密な「1つのオブジェクト、1つのクラス」制約を強制します。表現の安定化と教師信号の信頼性向上を協調的に進めることで、SASAは弱教師あり環境下での特徴ドリフトを効果的に軽減します。 標準的なベンチマークでの広範な実験により、このアプローチは既存の最先端手法を一貫して上回ることが実証されており、特に多段階の増分学習設定における課題的なシナリオで優れたパフォーマンスを発揮します。実装コードはGitHubで公開されています。