論文の概要: Grow and Merge: A Unified Framework for Continuous Categories Discovery

• arxiv url: http://arxiv.org/abs/2210.04174v1
• Date: Sun, 9 Oct 2022 05:49:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 15:34:15.547764
• Title: Grow and Merge: A Unified Framework for Continuous Categories Discovery
• Title（参考訳）: Grow and Merge: 継続的カテゴリ発見のための統一フレームワーク
• Authors: Xinwei Zhang, Jianwen Jiang, Yutong Feng, Zhi-Fan Wu, Xibin Zhao, Hai Wan, Mingqian Tang, Rong Jin, Yue Gao
• Abstract要約: 我々は、ラベルのないデータがカテゴリ発見システムに継続的に供給されるアプリケーションシナリオに焦点を当てる。 bf成長とマージ(bf GM)のフレームワークを開発し、成長相と融合相を交互に行う。 成長段階において、効果的なカテゴリマイニングのための継続的自己教師付き学習を通じて、特徴の多様性を高める。 マージフェーズでは、成長したモデルを静的モデルとマージして、既知のクラスのパフォーマンスを確実にします。
• 参考スコア（独自算出の注目度）: 44.28297337872006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although a number of studies are devoted to novel category discovery, most of them assume a static setting where both labeled and unlabeled data are given at once for finding new categories. In this work, we focus on the application scenarios where unlabeled data are continuously fed into the category discovery system. We refer to it as the {\bf Continuous Category Discovery} ({\bf CCD}) problem, which is significantly more challenging than the static setting. A common challenge faced by novel category discovery is that different sets of features are needed for classification and category discovery: class discriminative features are preferred for classification, while rich and diverse features are more suitable for new category mining. This challenge becomes more severe for dynamic setting as the system is asked to deliver good performance for known classes over time, and at the same time continuously discover new classes from unlabeled data. To address this challenge, we develop a framework of {\bf Grow and Merge} ({\bf GM}) that works by alternating between a growing phase and a merging phase: in the growing phase, it increases the diversity of features through a continuous self-supervised learning for effective category mining, and in the merging phase, it merges the grown model with a static one to ensure satisfying performance for known classes. Our extensive studies verify that the proposed GM framework is significantly more effective than the state-of-the-art approaches for continuous category discovery.
• Abstract（参考訳）: 多くの研究は、新しいカテゴリ発見に向けられているが、そのほとんどは、ラベル付きデータとラベルなしデータの両方が同時に与えられる静的な設定を前提としている。 本研究では,ラベルのないデータがカテゴリ発見システムに継続的に供給されるアプリケーションシナリオに注目した。 我々は、これを {\bf continuous category discovery} ({\bf ccd})問題と呼び、静的設定よりもかなり難しい。 新たなカテゴリー発見で直面する共通の課題は、分類と分類発見に異なる特徴セットが必要であることである: 分類に分類的特徴が好まれる一方で、リッチで多様な特徴が新しいカテゴリマイニングにより適している。 システムが既知のクラスの優れたパフォーマンスを提供するように要求されると同時に、ラベルのないデータから新しいクラスを継続的に発見するので、この課題は動的設定においてより厳しいものになる。 この課題に対処するため、成長段階と統合段階を交互に交互に作用する {\bf Grow and Merge} ({\bf GM}) のフレームワークを開発し、成長段階においては、効果的なカテゴリマイニングのための継続的自己教師付き学習を通じて特徴の多様性を増大させ、融合段階では、成長モデルと静的なモデルとの融合を行い、既知のクラスのパフォーマンスを満足させる。 本研究は,提案したGMフレームワークが連続圏探索の最先端手法よりも極めて有効であることを示す。

関連論文リスト

• Generative Multi-modal Models are Good Class-Incremental Learners [51.5648732517187]
  クラス増分学習のための新しい生成型マルチモーダルモデル(GMM)フレームワークを提案する。 提案手法は適応生成モデルを用いて画像のラベルを直接生成する。 Few-shot CIL設定では、現在の最先端のすべてのメソッドに対して少なくとも14%精度が向上し、忘れてはならない。
  論文  参考訳（メタデータ） (2024-03-27T09:21:07Z)
• Learn to Categorize or Categorize to Learn? Self-Coding for Generalized Category Discovery [49.1865089933055]
  テスト時に未知のカテゴリを発見できる新しい,効率的かつ自己管理手法を提案する。 このアプローチの健全な特徴は、個々のデータインスタンスに最小長のカテゴリコードの割り当てである。 試行錯誤による評価は, 提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-10-30T17:45:32Z)
• Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering [22.24175320515204]
  皮膚内視鏡画像データセットから新しい意味クラスを自動的に発見する新しいクラス発見フレームワークを提案する。 具体的には、まずコントラスト学習を用いて、既知のカテゴリと未知のカテゴリのすべてのデータに基づいて、頑健で偏りのない特徴表現を学習する。 皮膚科学データセットISIC 2019について広範な実験を行い,本手法が既知のカテゴリの知識を有効活用し,新たな意味カテゴリーを発見できることを実験的に示した。
  論文  参考訳（メタデータ） (2023-09-28T13:59:29Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• Fine-grained Category Discovery under Coarse-grained supervision with Hierarchical Weighted Self-contrastive Learning [37.6512548064269]
  粗粒度監視(FCDC)下での細粒度カテゴリー発見という新たな実践シナリオについて検討する。 FCDCは、粗いラベル付きデータのみを用いて、既知のデータと異なる粒度のカテゴリにモデルを適応させ、かなりのラベル付けコストを削減できるきめ細かなカテゴリを発見することを目的としている。 本稿では,新しい重み付き自己コントラストモジュールを構築し,それを階層的に教師付き学習と組み合わせることで,階層型自己コントラストネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-14T12:06:23Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。