Fugu-MT 論文翻訳(概要): Few-shot Novel Category Discovery

論文の概要: Few-shot Novel Category Discovery

arxiv url: http://arxiv.org/abs/2505.08260v1
Date: Tue, 13 May 2025 06:18:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-14 20:57:54.444409
Title: Few-shot Novel Category Discovery
Title（参考訳）: 数発の新たなカテゴリー発見
Authors: Chunming Li, Shidong Wang, Haofeng Zhang,
Abstract要約: 新しいカテゴリー発見(NCD)は、トランスダクティブ学習のパラダイムに適応することで、より現実的なシナリオでの応用を妨げる。本稿では,訓練されたエージェントが既知の(ラベル付き)クラスとクラスタリングの新しい(完全にラベル付けされていない)クラスを識別するタスクを柔軟に切り替えることのできる,新しい設定を提案する。
参考スコア（独自算出の注目度）: 19.350477820997924
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The recently proposed Novel Category Discovery (NCD) adapt paradigm of transductive learning hinders its application in more real-world scenarios. In fact, few labeled data in part of new categories can well alleviate this burden, which coincides with the ease that people can label few of new category data. Therefore, this paper presents a new setting in which a trained agent is able to flexibly switch between the tasks of identifying examples of known (labelled) classes and clustering novel (completely unlabeled) classes as the number of query examples increases by leveraging knowledge learned from only a few (handful) support examples. Drawing inspiration from the discovery of novel categories using prior-based clustering algorithms, we introduce a novel framework that further relaxes its assumptions to the real-world open set level by unifying the concept of model adaptability in few-shot learning. We refer to this setting as Few-Shot Novel Category Discovery (FSNCD) and propose Semi-supervised Hierarchical Clustering (SHC) and Uncertainty-aware K-means Clustering (UKC) to examine the model's reasoning capabilities. Extensive experiments and detailed analysis on five commonly used datasets demonstrate that our methods can achieve leading performance levels across different task settings and scenarios.
Abstract（参考訳）: 最近提案された新しいカテゴリー発見(NCD)適応パラダイムは、より現実的なシナリオでの応用を妨げる。実際には、新しいカテゴリの一部にラベル付けされたデータが少ないことで、この負担を和らげることができる。そこで本研究では,学習者が既知の(ラベル付き)クラスとクラスタリングノベル(完全にラベル付けされていない)クラスを識別するタスクを柔軟に切り替えることのできる新しい設定を提案する。従来のクラスタリングアルゴリズムを用いた新しいカテゴリの発見からインスピレーションを得て,数ショット学習におけるモデル適応性の概念を統一することにより,その仮定を現実のオープンセットレベルに緩和する新たなフレームワークを導入する。この設定をFew-Shot Novel Category Discovery (FSNCD)と呼び、モデルの推論能力を調べるために半教師付き階層クラスタリング (SHC) と不確実性対応K-means Clustering (UKC) を提案する。 5つの一般的なデータセットに関する大規模な実験と詳細な分析は、我々のメソッドがさまざまなタスク設定やシナリオで主要なパフォーマンスレベルを達成することができることを示している。

関連論文リスト

Generalized Semantic Contrastive Learning via Embedding Side Information for Few-Shot Object Detection [52.490375806093745]
マイクロショットオブジェクト検出(FSOD)の目的は、少数のトレーニングサンプルで新しいオブジェクトを検出することである。本稿では,特徴空間とサンプル視点から得られる負の影響を緩和する側面情報を紹介する。我々のモデルは従来の最先端手法よりも優れており、ほとんどのショット/スプリットにおけるFSODの能力は大幅に向上している。
論文参考訳（メタデータ） (2025-04-09T17:24:05Z)
Solving the Catastrophic Forgetting Problem in Generalized Category Discovery [46.63232918739251]
Generalized Category Discovery (GCD)は、ラベルなしデータセット内の既知のカテゴリと新しいカテゴリの混合を識別することを目的としている。最近の最先端手法SimGCDは、既知のクラスデータからの知識を、偏りのある学習を通して、新しいクラスの学習に転送する。本稿では,従来の手法にシームレスに統合された新しい学習手法であるLegoGCDを提案する。
論文参考訳（メタデータ） (2025-01-09T14:31:54Z)
Proxy Anchor-based Unsupervised Learning for Continuous Generalized Category Discovery [22.519873617950662]
ラベルなし集合上の新しいカテゴリを発見するために,教師なしクラスインクリメンタルな学習手法を提案する。提案手法は,ラベル付きデータセット上の特徴抽出器とプロキシアンカーを微調整し,サンプルをラベル付きデータセット上の古いカテゴリと新しいカテゴリとクラスタに分割する。実験により,提案手法は実世界のシナリオ下での細粒度データセットにおける最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-07-20T15:13:29Z)
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)
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)
Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文参考訳（メタデータ） (2022-07-18T13:49:27Z)
Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文参考訳（メタデータ） (2021-12-03T13:31:59Z)
Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
論文参考訳（メタデータ） (2021-06-29T11:51:57Z)

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。