論文の概要: Dimensionally Reduced Open-World Clustering: DROWCULA

• arxiv url: http://arxiv.org/abs/2509.07184v1
• Date: Mon, 08 Sep 2025 20:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.101585
• Title: Dimensionally Reduced Open-World Clustering: DROWCULA
• Title（参考訳）: 次元的に削減されたオープンワールドクラスタリング:DROWCULA
• Authors: Erencem Ozbey, Dimitrios I. Diochnos,
• Abstract要約: 本稿では,特定のデータセットにおける新しいカテゴリを決定する問題に対して,教師なしアプローチを提案する。 本研究では,データ固有の幾何学を応用して,これらの埋め込みを洗練するために,多様体学習手法を取り入れた。 CIFAR-10, CIFAR-100, ImageNet-100, Tiny ImageNet上で, 単一モーダルクラスタリングと新しいクラスディスカバリを新たに実現した。
• 参考スコア（独自算出の注目度）: 1.3149034455953847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Working with annotated data is the cornerstone of supervised learning. Nevertheless, providing labels to instances is a task that requires significant human effort. Several critical real-world applications make things more complicated because no matter how many labels may have been identified in a task of interest, it could be the case that examples corresponding to novel classes may appear in the future. Not unsurprisingly, prior work in this, so-called, `open-world' context has focused a lot on semi-supervised approaches. Focusing on image classification, somehow paradoxically, we propose a fully unsupervised approach to the problem of determining the novel categories in a particular dataset. Our approach relies on estimating the number of clusters using Vision Transformers, which utilize attention mechanisms to generate vector embeddings. Furthermore, we incorporate manifold learning techniques to refine these embeddings by exploiting the intrinsic geometry of the data, thereby enhancing the overall image clustering performance. Overall, we establish new State-of-the-Art results on single-modal clustering and Novel Class Discovery on CIFAR-10, CIFAR-100, ImageNet-100, and Tiny ImageNet. We do so, both when the number of clusters is known or unknown ahead of time. The code is available at: https://github.com/DROWCULA/DROWCULA.
• Abstract（参考訳）: 注釈付きデータを扱うことが教師付き学習の基盤となる。 それでも、インスタンスにラベルを提供することは、多大な人的労力を必要とするタスクである。 いくつかの重要な現実世界のアプリケーションは、興味のあるタスクでラベルがいくつ特定されたとしても、将来新しいクラスに対応する例が現れる可能性があるため、物事をより複雑にしている。 当然のことながら、これに先立って行われたいわゆる‘オープンワールド’コンテキストは、半教師付きアプローチに大きく焦点を合わせてきた。 画像分類に焦点をあてて、ある特定のデータセットにおける新しいカテゴリを決定する問題に対して、完全に教師なしのアプローチを提案する。 提案手法は,ベクター埋め込みを生成するためにアテンション機構を利用する視覚変換器を用いて,クラスタ数を推定することに依存する。 さらに,データ固有の形状を活かし,画像クラスタリング性能を向上させることにより,これらの埋め込みを洗練するための多様体学習手法を取り入れた。 CIFAR-10, CIFAR-100, ImageNet-100, Tiny ImageNet上で, 単一モーダルクラスタリングと新しいクラスディスカバリを新たに実現した。 クラスタの数が分かっていない場合や,事前に不明な場合には,そのようにします。 コードは、https://github.com/DROWCULA/DROWCULAで入手できる。

関連論文リスト

• Beyond Known Clusters: Probe New Prototypes for Efficient Generalized Class Discovery [23.359450657842686]
  Generalized Class Discovery (GCD) はラベル付きデータから学んだ知識に基づいてラベルを部分的にラベル付きデータに動的に割り当てることを目的としている。 本稿では,学習可能な潜在的なプロトタイプを導入し,クラスタプロトタイプを拡張する適応型探索機構を提案する。 我々の手法は、スタンフォード・カーズ・データセットの9.7%の差で、最も近い競合相手を上回っている。
  論文  参考訳（メタデータ） (2024-04-13T12:41:40Z)
• Beyond the Known: Novel Class Discovery for Open-world Graph Learning [16.30962452905747]
  我々は,グラフ上の新しいクラス発見に取り組むために,オープンワールドのgRAph neuraLネットワーク(ORAL)を提案する。 ORALは、半教師付きプロトタイプ学習により、クラス間の相関を初めて検出する。 ラベル欠陥を緩和するためのマルチスケールグラフ機能を完全に探索するため、ORALは擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2024-03-29T01:25:05Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識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） (2023-10-30T00:32:47Z)
• Deep Multi-View Subspace Clustering with Anchor Graph [11.291831842959926]
  アンカーグラフ(DMCAG)を用いた深層多視点サブスペースクラスタリング手法を提案する。 DMCAGは各ビューの埋め込み機能を独立して学習し、サブスペース表現を得るために使用される。 本手法は他の最先端手法よりも優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2023-05-11T16:17:43Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• SCAN: Learning to Classify Images without Labels [73.69513783788622]
  機能学習とクラスタリングを分離する2段階のアプローチを提唱する。 表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。 我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
  論文  参考訳（メタデータ） (2020-05-25T18:12:33Z)

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。