論文の概要: Continual Generalized Category Discovery: Learning and Forgetting from a Bayesian Perspective

• arxiv url: http://arxiv.org/abs/2507.17382v1
• Date: Wed, 23 Jul 2025 10:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.953199
• Title: Continual Generalized Category Discovery: Learning and Forgetting from a Bayesian Perspective
• Title（参考訳）: 連続的な一般化カテゴリー発見:ベイズ的視点から学ぶ
• Authors: Hao Dai, Jagmohan Chauhan,
• Abstract要約: Vari Bayes C-GCD (VB-CGCD) は、変分推論と共分散対応のクラス平均分類を統合する新しいフレームワークである。 VB-CGCDは、標準ベンチマークの最終セッションで全体の精度を+15.21%上回る。 VB-CGCDの最終的な精度は67.86%で、最先端(38.55%)よりもかなり高い
• 参考スコア（独自算出の注目度）: 6.476987116234121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual Generalized Category Discovery (C-GCD) faces a critical challenge: incrementally learning new classes from unlabeled data streams while preserving knowledge of old classes. Existing methods struggle with catastrophic forgetting, especially when unlabeled data mixes known and novel categories. We address this by analyzing C-GCD's forgetting dynamics through a Bayesian lens, revealing that covariance misalignment between old and new classes drives performance degradation. Building on this insight, we propose Variational Bayes C-GCD (VB-CGCD), a novel framework that integrates variational inference with covariance-aware nearest-class-mean classification. VB-CGCD adaptively aligns class distributions while suppressing pseudo-label noise via stochastic variational updates. Experiments show VB-CGCD surpasses prior art by +15.21% with the overall accuracy in the final session on standard benchmarks. We also introduce a new challenging benchmark with only 10% labeled data and extended online phases, VB-CGCD achieves a 67.86% final accuracy, significantly higher than state-of-the-art (38.55%), demonstrating its robust applicability across diverse scenarios. Code is available at: https://github.com/daihao42/VB-CGCD
• Abstract（参考訳）: C-GCD(Continuous Generalized Category Discovery)は、ラベルのないデータストリームから新しいクラスを漸進的に学習し、古いクラスの知識を維持しながら、重要な課題に直面している。 既存の手法は、特にラベルのないデータが既知のカテゴリと新しいカテゴリを混在する場合、破滅的な忘れに苦しむ。 我々は,C-GCDの忘れるダイナミクスをベイズレンズを通して解析し,古いクラスと新しいクラスの共分散の不整合が性能劣化を引き起こすことを示した。 この知見に基づいて、変分推論と共分散を考慮したクラス平均分類を組み合わせた新しいフレームワークである、変分ベイズC-GCD(VB-CGCD)を提案する。 VB-CGCDは、確率的変動更新によって擬似ラベルノイズを抑えながら、クラス分布を適応的に調整する。 実験の結果、VB-CGCDは、標準ベンチマークの最終セッションの全体的な精度を+15.21%上回った。 VB-CGCDは67.86%の精度を達成し、最先端(38.55%)よりもはるかに高い精度で、様々なシナリオにまたがる堅牢な適用性を実証している。 コードは、https://github.com/daihao42/VB-CGCDで入手できる。

関連論文リスト

• DebGCD: Debiased Learning with Distribution Guidance for Generalized Category Discovery [14.222473509173357]
  一般化カテゴリー発見(GCD)の課題に取り組む GCDでは、未知のクラスと未知のクラスの間に固有のラベルバイアスが存在する。 本稿では,アンダーラインGCDのための分布指導フレームワークであるDebGCDを紹介する。
  論文  参考訳（メタデータ） (2025-04-07T07:56:01Z)
• 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)
• 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)
• Active Generalized Category Discovery [60.69060965936214]
  GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。 我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。 提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-07T07:12:24Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• ImbaGCD: Imbalanced Generalized Category Discovery [8.905027373521213]
  一般化クラス発見(GCD)は、未知のカテゴリをラベルのないデータセットで推論することを目的としている。 本質的には、未知の/珍しいクラスよりも、既知の/一般的なクラスに遭遇する可能性が高い。 InbaGCDは、一般化されたカテゴリ発見を実現するための、新しい最適なトランスポートベースの期待フレームワークである。
  論文  参考訳（メタデータ） (2023-12-04T09:46:09Z)
• 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)

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。