本稿では、教師なし動画ベースの人物再識別（re-ID）において、不均衡なラベルなしデータからラベルを推定する際のスケーラビリティおよびロバスト性の課題に取り組む。これを実現するため、大規模な教師なし動画re-IDを対象に、深層特徴表現学習を活用した新たなロバスト・アンカーエンベディング（RACE）フレームワークを提案する。本フレームワーク内では、異なる人物を表すアンカーシーケンスをまず選定し、アンカーグラフを構築する。このグラフは、CNNモデルの初期化にも用いられ、後続のラベル推定に向けた判別性の高い特徴表現の獲得を可能にする。ノイズを含むフレームを有するラベルなしシーケンスから正確にラベルを推定するため、正則化されたアフィンハウル（regularized affine hull）に基づくロバストなアンカーエンベディングを導入する。多様体仮定の下で、全アンカーセットではなくkNNアンカーによるエッセンスエンベディングを採用することで、計算効率を確保する。その後、ラベルなし画像シーケンスのラベルを予測するため、ロバストかつ効率的なtop-kカウントラベル予測戦略を提案する。新たに推定されたラベル付きシーケンスを用いて、統一されたアンカーエンベディングフレームワークは、特徴学習プロセスをさらに促進可能となる。大規模データセット上における広範な実験結果から、本手法が既存の教師なし動画re-ID手法を上回ることを示した。