論文の概要: ClearGCD: Mitigating Shortcut Learning For Robust Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2511.22892v1
• Date: Fri, 28 Nov 2025 05:42:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.777288
• Title: ClearGCD: Mitigating Shortcut Learning For Robust Generalized Category Discovery
• Title（参考訳）: ClearGCD:ロバストな一般化カテゴリー発見のためのショートカット学習
• Authors: Kailin Lyu, Jianwei He, Long Xiao, Jianing Zeng, Liang Fan, Lin Shu, Jie Hao,
• Abstract要約: オープンワールドのシナリオでは、Generalized Category Discovery (GCD)は、ラベルのないデータの中で既知のカテゴリと新しいカテゴリの両方を識別する必要がある。 本稿では,2つの相補的なメカニズムによる非意味的手がかりへの依存を軽減するためのフレームワークであるClearGCDを提案する。 まず、セマンティックビューアライメント(SVA)は、クラス間のパッチ置換を通じて強力な拡張を生成し、弱い拡張を使用してセマンティック一貫性を強制する。 第2に、ショートカット抑制規則化(SSR)は、既知のクラスを整列し、潜在的に新規なクラスを分離することを奨励する適応型プロトタイプバンクを維持している。
• 参考スコア（独自算出の注目度）: 6.219469635654406
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In open-world scenarios, Generalized Category Discovery (GCD) requires identifying both known and novel categories within unlabeled data. However, existing methods often suffer from prototype confusion caused by shortcut learning, which undermines generalization and leads to forgetting of known classes. We propose ClearGCD, a framework designed to mitigate reliance on non-semantic cues through two complementary mechanisms. First, Semantic View Alignment (SVA) generates strong augmentations via cross-class patch replacement and enforces semantic consistency using weak augmentations. Second, Shortcut Suppression Regularization (SSR) maintains an adaptive prototype bank that aligns known classes while encouraging separation of potential novel ones. ClearGCD can be seamlessly integrated into parametric GCD approaches and consistently outperforms state-of-the-art methods across multiple benchmarks.
• Abstract（参考訳）: オープンワールドのシナリオでは、Generalized Category Discovery (GCD)は、ラベルのないデータの中で既知のカテゴリと新しいカテゴリの両方を識別する必要がある。 しかし、既存の手法は、しばしばショートカット学習によるプロトタイプの混乱に悩まされ、一般化が損なわれ、既知のクラスを忘れてしまう。 本稿では,2つの相補的なメカニズムによる非意味的手がかりへの依存を軽減するためのフレームワークであるClearGCDを提案する。 まず、セマンティックビューアライメント(SVA)は、クラス間のパッチ置換を通じて強力な拡張を生成し、弱い拡張を使用してセマンティック一貫性を強制する。 第2に、ショートカット抑制規則化(SSR)は、既知のクラスを整列し、潜在的に新規なクラスを分離することを奨励する適応型プロトタイプバンクを維持している。 ClearGCDはパラメトリックなGCDアプローチにシームレスに統合することができ、複数のベンチマークで常に最先端の手法より優れている。

関連論文リスト

• Consistent Supervised-Unsupervised Alignment for Generalized Category Discovery [49.67913741459179]
  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。
  論文  参考訳（メタデータ） (2025-07-07T07:34:41Z)
• ProtoGCD: Unified and Unbiased Prototype Learning for Generalized Category Discovery [42.965641047139904]
  一般化圏発見(GCD)は実用的だが未発見の問題である。 ラベルなしデータは、古いクラスと新しいクラスの両方を含んでいる。 ProtoGCDは、ジェネリックデータセットときめ細かいデータセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-02T06:13:14Z)
• 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)
• 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)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)

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。