يقدم هذا البحث خط أساس متطور ومتين لمشكلة التجزئة الدلالية التدريجية حسب الفئات (CISS). رغم أن الخوارزميات الحديثة لـ CISS تستخدم نسخًا مختلفة من تقنية تبخير المعرفة (KD) للتعامل مع المشكلة، إلا أنها فشلت في معالجة التحديات الحرجة في CISS التي تؤدي إلى النسيان الكارثي؛ الانحراف الدلالي لفئة الخلفية والمشكلة المتعلقة بالتنبؤ بعلامات متعددة. لمعالجة هذه التحديات بشكل أفضل، نقترح طريقة جديدة أطلقنا عليها اسم SSUL-M (تجزئة دلالية مع علامة غير معروفة ومع ذاكرة)، وذلك من خلال الجمع بعناية بين التقنيات المصممة خصيصًا للتجزئة الدلالية. تحديدًا، ندعي ثلاثة إسهامات رئيسية: (1) تعريف فئات غير معروفة داخل فئة الخلفية لمساعدة النظام على تعلم الفئات المستقبلية (تعزيز المرونة)، (2) تجميد شبكة الظهر والتصنيفات السابقة باستخدام خسارة التباين الثنائي والتسمية الوهمية للتغلب على النسيان الكارثي (تعزيز الاستقرار)، و(3) استخدام ذاكرة أمثلة صغيرة لأول مرة في CISS لتحسين كل من المرونة والاستقرار. تظهر التجارب الشاملة التي أجريت فعالية طرقنا، حيث حققنا أداءً أفضل بكثير من الخطوط الأساسية الأكثر حداثة والأكثر تطورًا على مجموعات البيانات القياسية. بالإضافة إلى ذلك، نبرر إسهاماتنا من خلال تحليلات تقليص شاملة ونناقش الطبيعة المختلفة لمشكلة CISS مقارنة بتعلم الفئات التدريجي التقليدي المستهدف للتصنيف. يمكن الحصول على الرمز الرسمي من الرابط التالي:https://github.com/clovaai/SSUL.