この記事では、クラス増分学習（CIL）において新しいクラスを継続的に学習しつつ過去の知識を保持する手法について述べています。CLIPのような視覚・言語モデルは、マルチモーダルな事前学習により移転可能な特徴を提供しますが、実世界の視覚および言語概念は階層的であるため、既存のCIL手法はその階層性を明示的に捉えきれず、更新中に細かいクラス特徴が漂流し、致命的な忘却が発生してしまいます。この課題に対処するため、本研究では「HASTEN（階層的セマンティックツリーアンカー）」を提案し、階層情報をCILに組み込むことで忘却を軽減します。外部知識グラフを用いて視覚的およびテキスト的特徴を保持する手法と、共有された超曲面マッパーのヌル空間に勾配を投影することで、過去のタスク干渉を防ぎ、階層的関係を維持しつつモデルが忘却しにくくなることを実証しています。