論文の概要: PromptCCD: Learning Gaussian Mixture Prompt Pool for Continual Category Discovery

• arxiv url: http://arxiv.org/abs/2407.19001v2
• Date: Mon, 9 Sep 2024 16:43:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 01:25:35.347519
• Title: PromptCCD: Learning Gaussian Mixture Prompt Pool for Continual Category Discovery
• Title（参考訳）: PromptCCD: 連続的なカテゴリー発見のためのガウス混合プロンプトプールの学習
• Authors: Fernando Julio Cendra, Bingchen Zhao, Kai Han,
• Abstract要約: 連続カテゴリー発見 (Continuous Category Discovery, CCD) は、ラベルなしデータの連続ストリームにおいて、新しいカテゴリを自動的に発見することを目的としている。 本稿では,ガウス混合モデル(GMM)をCCDのプロンプト手法として利用するフレームワークであるPromptCCDを提案する。 我々は、一般化カテゴリー発見(GCD)の標準評価基準をCCDに拡張し、様々な公開データセットの最先端手法をベンチマークする。
• 参考スコア（独自算出の注目度）: 60.960147451219946
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We tackle the problem of Continual Category Discovery (CCD), which aims to automatically discover novel categories in a continuous stream of unlabeled data while mitigating the challenge of catastrophic forgetting -- an open problem that persists even in conventional, fully supervised continual learning. To address this challenge, we propose PromptCCD, a simple yet effective framework that utilizes a Gaussian Mixture Model (GMM) as a prompting method for CCD. At the core of PromptCCD lies the Gaussian Mixture Prompting (GMP) module, which acts as a dynamic pool that updates over time to facilitate representation learning and prevent forgetting during category discovery. Moreover, GMP enables on-the-fly estimation of category numbers, allowing PromptCCD to discover categories in unlabeled data without prior knowledge of the category numbers. We extend the standard evaluation metric for Generalized Category Discovery (GCD) to CCD and benchmark state-of-the-art methods on diverse public datasets. PromptCCD significantly outperforms existing methods, demonstrating its effectiveness. Project page: https://visual-ai.github.io/promptccd .
• Abstract（参考訳）: 従来型の完全教師付き連続学習においても継続するオープンな問題である破滅的な忘れ込みの課題を緩和しつつ、ラベルのないデータの連続ストリームで新しいカテゴリを自動的に発見することを目的とした、連続カテゴリー発見(Continuous Category Discovery, CCD)の問題に取り組む。 この課題に対処するために,ガウス混合モデル(GMM)をCCDのプロンプト手法として用いた,シンプルで効果的なフレームワークであるPromptCCDを提案する。 PromptCCDのコアにはGMP(Gaussian Mixture Prompting)モジュールがある。 さらに、GMPはカテゴリ番号のオンザフライ推定を可能にし、PromptCCDはカテゴリ番号の事前知識なしでラベルなしデータのカテゴリを発見できる。 我々は、一般化カテゴリー発見(GCD)の標準評価基準をCCDに拡張し、様々な公開データセットの最先端手法をベンチマークする。 PromptCCDは既存の方法よりも優れており、その有効性を示している。 プロジェクトページ: https://visual-ai.github.io/promptccd

関連論文リスト

• Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
  カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
  論文  参考訳（メタデータ） (2024-10-24T23:51:40Z)
• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• Contrastive Mean-Shift Learning for Generalized Category Discovery [45.19923199324919]
  一般化圏発見(GCD)の問題に対処する。 我々は平均シフトアルゴリズム、すなわちモード探索のための強力な手法を再検討し、これを対照的な学習フレームワークに組み込む。 提案手法はContrastive Mean-Shift(CMS)学習と呼ばれ,より優れたクラスタリング特性を持つ表現を生成するためにイメージエンコーダを訓練する。
  論文  参考訳（メタデータ） (2024-04-15T04:31:24Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• Learning Semi-supervised Gaussian Mixture Models for Generalized Category Discovery [36.01459228175808]
  本稿では,表現学習とクラス数推定を交互に行うEMライクなフレームワークを提案する。 汎用画像分類データセットと細粒度オブジェクト認識データセットの双方について,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-05-10T13:47:38Z)
• Incremental Generalized Category Discovery [26.028970894707204]
  インクリメンタル一般化カテゴリー発見(IGCD)の課題を探る これは、以前に見られたカテゴリから画像を正しく分類できるモデルを開発することを目的としている、挑戦的なカテゴリインクリメンタルな学習環境である。 本稿では,非パラメトリック分類と効率的な画像サンプリングを組み合わせたIGCDの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-27T16:27:11Z)
• 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)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Grow and Merge: A Unified Framework for Continuous Categories Discovery [44.28297337872006]
  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。
  論文  参考訳（メタデータ） (2022-10-09T05:49:03Z)

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。