論文の概要: Unleashing the Power of Neural Collapse: Consistent Supervised-Unsupervised Alignment for Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2507.04725v1
• Date: Mon, 07 Jul 2025 07:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.314055
• Title: Unleashing the Power of Neural Collapse: Consistent Supervised-Unsupervised Alignment for Generalized Category Discovery
• Title（参考訳）: 神経崩壊のパワーを解き放つ:一般カテゴリー発見のための一貫した教師なしアライメント
• Authors: Jizhou Han, Shaokun Wang, Yuhang He, Chenhao Ding, Qiang Wang, Xinyuan Gao, SongLin Dong, Yihong Gong,
• Abstract要約: Generalized Category Discovery (GCD)は、未知のデータから新しいカテゴリを同時に発見しながら、既知のカテゴリを分類することに焦点を当てている。 従来のGCD手法は、不整合最適化目標とカテゴリー混乱による課題に直面している。 本稿ではニューラル・コラプスにインスパイアされた一般化カテゴリー発見(NC-GCD)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 19.872346734645383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized Category Discovery (GCD) focuses on classifying known categories while simultaneously discovering novel categories from unlabeled data. However, previous GCD methods face challenges due to inconsistent optimization objectives and category confusion. This leads to feature overlap and ultimately hinders performance on novel categories. To address these issues, we propose the Neural Collapse-inspired Generalized Category Discovery (NC-GCD) framework. By pre-assigning and fixing Equiangular Tight Frame (ETF) prototypes, our method ensures an optimal geometric structure and a consistent optimization objective for both known and novel categories. We introduce a Consistent ETF Alignment Loss that unifies supervised and unsupervised ETF alignment and enhances category separability. Additionally, a Semantic Consistency Matcher (SCM) is designed to maintain stable and consistent label assignments across clustering iterations. Our method achieves strong performance on multiple GCD benchmarks, significantly enhancing novel category accuracy and demonstrating its effectiveness.
• Abstract（参考訳）: Generalized Category Discovery (GCD)は、未知のデータから新しいカテゴリを同時に発見しながら、既知のカテゴリを分類することに焦点を当てている。 しかし、従来のGCD法は、不整合最適化目標とカテゴリ混同による課題に直面している。 これは機能の重複を招き、最終的に新しいカテゴリのパフォーマンスを妨げます。 これらの問題に対処するため,ニューラル・コラプスに触発された一般カテゴリー発見(NC-GCD)フレームワークを提案する。 等角的タイトフレーム (ETF) のプロトタイプを事前割り当て, 固定することにより, 既知カテゴリと新カテゴリの両方に対して最適な幾何構造と一貫した最適化目標を確保できる。 本稿では,教師付きと教師なしのETFアライメントを統一し,カテゴリ分離性を高めるConsistent ETFアライメントロスを提案する。 さらに、SCM(Semantic Consistency Matcher)は、クラスタリングイテレーション間で安定的で一貫性のあるラベル割り当てを維持するように設計されている。 提案手法は,複数のGCDベンチマークにおいて高い性能を達成し,新しいカテゴリの精度を大幅に向上させ,その有効性を示す。

関連論文リスト

• Generalized Category Discovery in Event-Centric Contexts: Latent Pattern Mining with LLMs [34.06878654462158]
  イベント中心のGCDは,長い複雑な物語と高度に不均衡なクラス分布を特徴とする。 クラスタクラスのアライメントを改善するためのイベントパターンの抽出と精巧化にLLMを活用するフレームワークであるPaMAを提案する。 新たに構築されたScam Reportデータセットを含む2つのEC-GCDベンチマークの評価は、PaMAが12.58%のHスコアゲインで先行メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2025-05-29T10:02:04Z)
• A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
  Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。 現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。 本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T07:24:11Z)
• NC-NCD: Novel Class Discovery for Node Classification [28.308556235456766]
  クラスディスカバリ(NCD)は、以前に確立されたカテゴリから取得した知識を活用することにより、ラベルなしデータ内の新しいカテゴリを識別する。 既存のNCD手法は、古いカテゴリと新しいカテゴリのパフォーマンスのバランスを維持するのに苦労することが多い。 ノード分類のためのより実用的なNCDシナリオ(NC-NCD)を初めて紹介する。 提案する自己学習フレームワークは, SWORDと呼ばれ, NC-NCD設定に採用されている。
  論文  参考訳（メタデータ） (2024-07-25T07:10:08Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• 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)
• TOAN: Target-Oriented Alignment Network for Fine-Grained Image Categorization with Few Labeled Samples [25.68199820110267]
  本稿では,対象のクエリイメージとサポートクラスとの関係を詳細に把握するために,TOAN(Target-Oriented Alignment Network)を提案する。 各サポート画像の特徴は、埋め込み特徴空間内のクエリ特徴と一致するように変換され、各カテゴリ内での差異を明示的に低減する。
  論文  参考訳（メタデータ） (2020-05-28T07:48:44Z)

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。