近日，由贵州大学计算机科学与技术学院硕士研究生王囡屹担任第一作者、贵州省大数据实验室王崎副教授担任通讯作者的研究论文《DiL: Discrete-anchored Representation Alignment for Semi-Supervised Continual Learning》被第43届国际机器学习大会（International Conference on Machine Learning, ICML 2026）录用发表。

该研究聚焦半监督持续学习（Semi-Supervised Continual Learning, SSCL）任务，该任务要求模型在仅依赖极少量标注数据与大量未标注数据的条件下，持续学习不断涌现的新任务，并有效克服灾难性遗忘。然而，由于未标注数据极易引发伪标签误差与语义漂移，现有方法普遍受困于噪声累积严重、旧知识快速衰退及新旧类别边界模糊等核心难题。

针对上述问题，研究团队提出了离散锚点驱动表示对齐框架（Discrete-anchored Representation Alignment：DiL）。该方法首次将离散锚点机制系统性引入半监督持续学习领域，通过构建稳定且具有判别力的语义锚点，引导模型在任务动态演化中维持统一的判别表示空间，从而抑制伪标签噪声的逐级累积。

在机制设计上，DiL包含两项核心创新：其一，基于离散锚点的跨任务特征空间对齐，有效强化模型对历史知识的记忆保持；其二，判别维度选择性蒸馏机制，该机制摒弃了传统整体蒸馏的冗余弊端，仅针对具备强判别能力的核心维度进行蒸馏，降低了新旧类别间的语义混淆风险。两项机制协同作用，使模型在高效适应新任务的同时，显著提升了学习过程的稳定性与泛化能力。

实验结果表明，DiL在多个国际通用的半监督持续学习基准数据集上均取得了领先性能。相较现有方法，DiL在任务平均准确率、最终任务性能及抗遗忘能力等核心评估指标上均有提升。特别是在ImageNet-100二十任务渐进划分设置下，该方法在仅依赖1%标注样本的极端低标注条件下，最终任务准确率较现有最优方法提升了9.16%。

该成果为资源受限下智能系统的持续学习提供了新的理论支持与方法路径，对自动驾驶、智能安防、医疗智能分析等长期在线AI应用具有参考价值。未来，实验室将持续深耕持续学习与可信智能方向，服务国家AI战略需求，为我国人工智能核心技术突破贡献力量。

图文：王崎

编辑：李清荷

责编：李志刚

编审：龙慧云