論文の概要: TALON: Test-time Adaptive Learning for On-the-Fly Category Discovery

• arxiv url: http://arxiv.org/abs/2603.08075v1
• Date: Mon, 09 Mar 2026 08:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.690387
• Title: TALON: Test-time Adaptive Learning for On-the-Fly Category Discovery
• Title（参考訳）: TALON: オンザフライカテゴリー発見のためのテスト時間適応学習
• Authors: Yanan Wu, Yuhan Yan, Tailai Chen, Zhixiang Chi, ZiZhang Wu, Yi Jin, Yang Wang, Zhenbo Li,
• Abstract要約: On-the-fly category discovery (OCD) は、未知のオンラインストリームから新しいカテゴリを同時に発見しながら、既知のカテゴリを認識することを目的としている。 既存のアプローチはオフラインでトレーニングされた機能抽出器を凍結し、ハッシュベースのフレームワークを使用して、機能をクラスプロトタイプとしてバイナリコードに定量化する。 本稿では,発見による学習を可能にするテスト時間適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 30.10914068071538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: On-the-fly category discovery (OCD) aims to recognize known categories while simultaneously discovering novel ones from an unlabeled online stream, using a model trained only on labeled data. Existing approaches freeze the feature extractor trained offline and employ a hash-based framework that quantizes features into binary codes as class prototypes. However, discovering novel categories with a fixed knowledge base is counterintuitive, as the learning potential of incoming data is entirely neglected. In addition, feature quantization introduces information loss, diminishes representational expressiveness, and amplifies intra-class variance. It often results in category explosion, where a single class is fragmented into multiple pseudo-classes. To overcome these limitations, we propose a test-time adaptation framework that enables learning through discovery. It incorporates two complementary strategies: a semantic-aware prototype update and a stable test-time encoder update. The former dynamically refines class prototypes to enhance classification, whereas the latter integrates new information directly into the parameter space. Together, these components allow the model to continuously expand its knowledge base with newly encountered samples. Furthermore, we introduce a margin-aware logit calibration in the offline stage to enlarge inter-class margins and improve intra-class compactness, thereby reserving embedding space for future class discovery. Experiments on standard OCD benchmarks demonstrate that our method substantially outperforms existing hash-based state-of-the-art approaches, yielding notable improvements in novel-class accuracy and effectively mitigating category explosion. The code is publicly available at \textcolor{blue}{https://github.com/ynanwu/TALON}.
• Abstract（参考訳）: オンザフライカテゴリー発見(On-the-fly category discovery, OCD)は、ラベル付きデータのみに基づいてトレーニングされたモデルを用いて、ラベルなしのオンラインストリームから新しいカテゴリを同時に発見しながら、既知のカテゴリを認識することを目的としている。 既存のアプローチはオフラインでトレーニングされた機能抽出器を凍結し、ハッシュベースのフレームワークを使用して、機能をクラスプロトタイプとしてバイナリコードに定量化する。 しかし、入力データの学習能力は完全に無視されているため、知識ベースが固定された新しいカテゴリを見つけることは直感的ではない。 さらに、特徴量化は情報損失を導入し、表現表現性を低下させ、クラス内の分散を増幅する。 しばしばカテゴリー爆発が起こり、1つのクラスが複数の擬似クラスに断片化される。 これらの制限を克服するために,探索による学習を可能にするテスト時間適応フレームワークを提案する。 セマンティックアウェアのプロトタイプアップデートと安定したテストタイムエンコーダアップデートの2つの補完戦略が組み込まれている。 前者は分類を強化するためにクラスプロトタイプを動的に洗練し、後者はパラメータ空間に直接新しい情報を統合する。 これらのコンポーネントが組み合わさって、新たに発見されたサンプルを用いて、モデルが継続的に知識ベースを拡張することができる。 さらに,クラス間マージンを大きくし,クラス内コンパクト性を向上し,将来のクラス発見のための埋め込み空間を確保するために,オフライン段階でのマージン対応ロジットキャリブレーションを導入する。 標準OCDベンチマーク実験により,本手法が既存のハッシュベースの最先端手法を著しく上回り,新規クラスの精度が向上し,カテゴリの爆発を効果的に軽減することを示した。 コードは textcolor{blue}{https://github.com/ynanwu/TALON} で公開されている。

関連論文リスト

• 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)
• Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
  カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
  論文  参考訳（メタデータ） (2024-10-24T23:51:40Z)
• Few-Shot Class-Incremental Learning via Training-Free Prototype Calibration [67.69532794049445]
  既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。 我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:24:08Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Class-incremental Learning with Pre-allocated Fixed Classifiers [20.74548175713497]
  クラス増分学習では、学習エージェントは、前のクラスを忘れずに新しいクラスを学ぶことを目標として、データのストリームに直面します。 本稿では,複数の事前配置された出力ノードが学習フェーズの開始時から,その分類損失に正しく対応できる新しい固定分類器を提案する。
  論文  参考訳（メタデータ） (2020-10-16T22:40:28Z)
• Learning Adaptive Embedding Considering Incremental Class [55.21855842960139]
  CIL(Class-Incremental Learning)は,未知のクラスを逐次生成するストリーミングデータを用いて,信頼性の高いモデルをトレーニングすることを目的としている。 従来のクローズドセット学習とは異なり、CILには2つの大きな課題がある。 新たなクラスが検出された後、以前のデータ全体を使用して再トレーニングすることなく、モデルを更新する必要がある。
  論文  参考訳（メタデータ） (2020-08-31T04:11:24Z)

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。