論文の概要: Exploring the Tradeoff Between Diversity and Discrimination for Continuous Category Discovery

• arxiv url: http://arxiv.org/abs/2508.11173v1
• Date: Fri, 15 Aug 2025 02:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.719223
• Title: Exploring the Tradeoff Between Diversity and Discrimination for Continuous Category Discovery
• Title（参考訳）: 連続カテゴリー発見のための多様性と差別のトレードオフを探る
• Authors: Ruobing Jiang, Yang Liu, Haobing Liu, Yanwei Yu, Chunyang Wang,
• Abstract要約: 連続圏探索 (Continuous category discovery, CCD) は、ラベルなしデータの連続到着において、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。 ほとんどのCCD法は、新しいクラス発見と分類の矛盾をうまく扱えない。 我々は独立性に基づく多様性と直交性に基づく差別(IDOD)を提案する。 提案手法は,細粒度データセットに挑戦する上で,最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 15.22499403972592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous category discovery (CCD) aims to automatically discover novel categories in continuously arriving unlabeled data. This is a challenging problem considering that there is no number of categories and labels in the newly arrived data, while also needing to mitigate catastrophic forgetting. Most CCD methods cannot handle the contradiction between novel class discovery and classification well. They are also prone to accumulate errors in the process of gradually discovering novel classes. Moreover, most of them use knowledge distillation and data replay to prevent forgetting, occupying more storage space. To address these limitations, we propose Independence-based Diversity and Orthogonality-based Discrimination (IDOD). IDOD mainly includes independent enrichment of diversity module, joint discovery of novelty module, and continuous increment by orthogonality module. In independent enrichment, the backbone is trained separately using contrastive loss to avoid it focusing only on features for classification. Joint discovery transforms multi-stage novel class discovery into single-stage, reducing error accumulation impact. Continuous increment by orthogonality module generates mutually orthogonal prototypes for classification and prevents forgetting with lower space overhead via representative representation replay. Experimental results show that on challenging fine-grained datasets, our method outperforms the state-of-the-art methods.
• Abstract（参考訳）: 連続圏探索 (Continuous category discovery, CCD) は、ラベルなしデータの連続到着において、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。 これは、新たに到着したデータにはカテゴリやラベルの数が存在しないことや、破滅的な忘れを緩和する必要があることを考えると、難しい問題である。 ほとんどのCCD法は、新しいクラス発見と分類の矛盾をうまく扱えない。 また、新しいクラスを徐々に発見する過程でエラーを蓄積する傾向にある。 さらに、多くは、知識蒸留とデータ再生を使用して、忘れられ、より多くのストレージスペースを占有するのを防ぐ。 これらの制約に対処するため,独立性に基づく多様性と直交性に基づく差別(IDOD)を提案する。 IDODは主に、多様性モジュールの独立した濃縮、新規モジュールの共同発見、直交モジュールによる継続的な増加を含む。 独立した豊かさでは、バックボーンは対照的な損失を用いて個別に訓練され、分類のための機能のみに焦点を当てることを避ける。 共同発見は、多段階の新しいクラス発見を単一ステージに変換し、エラー蓄積の影響を低減させる。 直交加群による連続的な増分は、分類のための相互直交プロトタイプを生成し、代表表現リプレイによる空間オーバーヘッドの低減を阻止する。 実験結果から,難解な粒度データセットにおいて,本手法は最先端の手法よりも優れていることがわかった。

関連論文リスト

• Generate, Refine, and Encode: Leveraging Synthesized Novel Samples for On-the-Fly Fine-Grained Category Discovery [64.83837781610907]
  本稿では,未知のカテゴリと未知のカテゴリの両方に属する可能性のある,新たに到着したストリームデータのオンライン識別について検討する。 既存のOCD法はラベル付きデータのみから転送可能な知識を完全にマイニングするものである。 本稿では,DiffGREと呼ばれる拡散型OCDフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-05T14:20:49Z)
• 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)
• Freeze and Cluster: A Simple Baseline for Rehearsal-Free Continual Category Discovery [13.68907640197364]
  本稿では,RF-CCD(Rehearsal-Free Continual Category Discovery)の問題に対処する。 RF-CCDはラベル付きデータからの知識を活用することで、新しいクラスを継続的に識別することに焦点を当てている。 従来のアプローチでは、両方のドメインの高度なテクニックを効果的に統合することに苦労していた。
  論文  参考訳（メタデータ） (2025-03-12T06:46:32Z)
• Class Incremental Fault Diagnosis under Limited Fault Data via Supervised Contrastive Knowledge Distillation [9.560742599396411]
  クラスインクリメンタルな障害診断は、以前の知識を維持しながら新しい障害クラスに適応するモデルを必要とする。 本稿では,クラスインクリメンタル・フォールト・診断のためのスーパーバイザード・コントラスト・ナレッジ・ディチリレーションを提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:20:29Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• 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)
• Few-shot Object Detection with Refined Contrastive Learning [4.520231308678286]
  Refined Contrastive Learning (FSRC) を用いた新しい複数ショットオブジェクト検出法を提案する。 コンフリブルクラスを含む新しいクラスからResemblance Groupを見つけるために、事前決定コンポーネントが導入された。 RCLはクラス間の距離を増やすために、このクラスのグループで指摘される。
  論文  参考訳（メタデータ） (2022-11-24T09:34:20Z)
• Spacing Loss for Discovering Novel Categories [72.52222295216062]
  新たなクラスディスカバリ(NCD)は、マシンラーニングモデルがラベルのないデータからインスタンスを意味的にグループ化する、学習パラダイムである。 まず,ラベル付きデータとラベルなしデータを併用する必要があるかどうかに基づいて,既存のNCD手法を1段階および2段階の手法に特徴付ける。 多次元スケーリングのキューを用いて、潜在空間における分離性を強制する単純で強力な損失関数を考案する。
  論文  参考訳（メタデータ） (2022-04-22T09:37:11Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。