論文の概要: GOAL: Geometrically Optimal Alignment for Continual Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2602.19872v1
• Date: Mon, 23 Feb 2026 14:15:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.843935
• Title: GOAL: Geometrically Optimal Alignment for Continual Generalized Category Discovery
• Title（参考訳）: GOAL: 連続的な一般化カテゴリー発見のための幾何学的最適アライメント
• Authors: Jizhou Han, Chenhao Ding, SongLin Dong, Yuhang He, Shaokun Wang, Qiang Wang, Yihong Gong,
• Abstract要約: 連続一般化カテゴリー発見(C-GCD)は、ラベルのないデータから新しいクラスを特定する必要がある。 GOALは,学習を通して一貫した幾何学的構造を付与する固定等角的タイトフレーム(ETF)分類器を導入する統一フレームワークである。
• 参考スコア（独自算出の注目度）: 48.78384108448773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual Generalized Category Discovery (C-GCD) requires identifying novel classes from unlabeled data while retaining knowledge of known classes over time. Existing methods typically update classifier weights dynamically, resulting in forgetting and inconsistent feature alignment. We propose GOAL, a unified framework that introduces a fixed Equiangular Tight Frame (ETF) classifier to impose a consistent geometric structure throughout learning. GOAL conducts supervised alignment for labeled samples and confidence-guided alignment for novel samples, enabling stable integration of new classes without disrupting old ones. Experiments on four benchmarks show that GOAL outperforms the prior method Happy, reducing forgetting by 16.1% and boosting novel class discovery by 3.2%, establishing a strong solution for long-horizon continual discovery.
• Abstract（参考訳）: C-GCD(Continuous Generalized Category Discovery)は、ラベルのないデータから新しいクラスを識別し、時間とともに既知のクラスの知識を保持する。 既存のメソッドは通常、分類器の重みを動的に更新する。 GOALは,学習を通して一貫した幾何学的構造を付与する固定等角的タイトフレーム(ETF)分類器を導入する統一フレームワークである。 GOALは、ラベル付きサンプルの調整アライメントと、新しいサンプルの信頼誘導アライメントを実施し、古いサンプルを中断することなく、新しいクラスの安定した統合を可能にする。 4つのベンチマークの実験では、GOALは以前の方法であるHappyよりも優れており、忘れを16.1%削減し、新しいクラス発見を3.2%向上させ、長期連続的な発見のための強力な解決策を確立している。

関連論文リスト

• Reliable Active Learning from Unreliable Labels via Neural Collapse Geometry [5.1511135538176]
  アクティブラーニング(AL)は、情報的なサンプルを優先順位付けすることでアノテーションのコストを削減することを約束するが、ラベルがうるさい場合やデータ分散がシフトした場合、その信頼性は低下する。 本稿では,深層ネットワークの創発的幾何学的規則性を活用し,信頼できない監視に対処するフレームワークである能動学習(NCAL-R)を提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:50:31Z)
• 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)
• 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)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• 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。