클래스 증분 학습 (Class-Incremental Learning, CIL)은 실제 세계의 학습 시스템을 구축하는 데 있어 중요합니다. CLIP 기반 CIL에서 모델은 ``a photo of a [CLASS]''와 같은 템플릿 프롬프트로부터 얻은 시각적 임베딩 (visual embedding)과 텍스트 임베딩 (textual embedding) 사이의 유사성을 비교하여 분류를 수행합니다. 이 겉보기에 단일한 매칭 과정은 개념적으로 구별되는 두 단계인 속성 추출 (attribute extraction)과 속성 집계 (attribute aggregation)로 분해될 수 있습니다. 예를 들어, 모델은 털의 질감이나 수염과 같은 속성을 사용하여 고양이를 인식할 수 있습니다. 자동차와 같은 새로운 클래스를 학습할 때, 모델은 바퀴와 같은 추가적인 속성을 추출하고 공유 표현 공간 (shared representation space)에서 이들이 집계되는 방식을 조정해야 합니다. 그러나 현재 태스크의 데이터만 사용할 수 있기 때문에, 증분 업데이트는 속성 추출과 집계 모두를 새로운 클래스 쪽으로 편향시켜 치명적 망각 (catastrophic forgetting)을 초래할 수 있습니다. 따라서 우리는 CLIP 기반 CIL에서의 속성 추출 및 집계를 위한 AREA를 제안합니다. 추출을 안정화하기 위해, 우리는 주 지오데식 분석 (principal geodesic analysis)을 통해 초구형 임베딩 공간 (hyperspherical embedding space) 상에 클래스 수준의 시각적 및 텍스트 속성을 고정(anchor)합니다. 집계를 안정화하기 위해, 우리는 변분 정보 병목 (variational information bottleneck) 목적 함수에 의해 정규화되는 스코어링 (scoring) 및 잔차 정제 (residual refinement) 기능을 갖춘 경량 태스크 특화 전문가 (task-specific experts)를 학습합니다. 추론 과정에서는 더 간결한 예측을 위해 최적 운송 (optimal transport)을 통해 태스크 속성 매니폴드 (task attribute manifolds)에 대한 라우팅 (routing)을 수행합니다. 실험 결과, AREA는 SOTA (State-of-the-Art) 방법들을 일관되게 능가함을 보여줍니다. 코드는 https://github.com/LAMDA-CL/ICML2026-AREA 에서 확인할 수 있습니다.