論文の概要: Learning Like Humans: Analogical Concept Learning for Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2603.19918v1
• Date: Fri, 20 Mar 2026 12:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.141837
• Title: Learning Like Humans: Analogical Concept Learning for Generalized Category Discovery
• Title（参考訳）: 人間らしく学ぶ:一般カテゴリー発見のためのアナロジー的概念学習
• Authors: Jizhou Han, Chenhao Ding, Yuhang He, Qiang Wang, Shaokun Wang, SongLin Dong, Yihong Gong,
• Abstract要約: Generalized Category Discovery (GCD)は、ラベルのないデータで新しいカテゴリを発見しようとしている。 本稿では,ラベル付き知識から新たな観察に類似したプラグアンドプレイモジュールであるAnalogical Textual Concept Generator (ATCG)を紹介する。
• 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: Generalized Category Discovery (GCD) seeks to uncover novel categories in unlabeled data while preserving recognition of known categories, yet prevailing visual-only pipelines and the loose coupling between supervised learning and discovery often yield brittle boundaries on fine-grained, look-alike categories. We introduce the Analogical Textual Concept Generator (ATCG), a plug-and-play module that analogizes from labeled knowledge to new observations, forming textual concepts for unlabeled samples. Fusing these analogical textual concepts with visual features turns discovery into a visual-textual reasoning process, transferring prior knowledge to novel data and sharpening category separation. ATCG attaches to both parametric and clustering style GCD pipelines and requires no changes to their overall design. Across six benchmarks, ATCG consistently improves overall, known-class, and novel-class performance, with the largest gains on fine-grained data. Our code is available at: https://github.com/zhou-9527/AnaLogical-GCD.
• Abstract（参考訳）: Generalized Category Discovery (GCD) は、既知のカテゴリの認識を維持しながら、ラベルのないデータの新しいカテゴリを明らかにすることを目的としている。 本稿では,ラベル付き知識から新たな観察に類似し,ラベルなしサンプルのテキスト概念を形成するプラグイン・アンド・プレイモジュールであるAnalogical Textual Concept Generator (ATCG)を紹介する。 これらの類似のテキスト概念を視覚的特徴と融合させることで、発見は視覚的・テキスト的推論プロセスとなり、事前の知識を新しいデータに転送し、カテゴリー分離を鋭くする。 ATCGはパラメトリックおよびクラスタリングスタイルのGCDパイプラインに付属しており、全体的な設計を変更する必要はない。 6つのベンチマークで、ATCGは、全体的な、既知のクラス、新しいクラスのパフォーマンスを継続的に改善する。 私たちのコードは、https://github.com/zhou-9527/AnaLogical-GCDで利用可能です。

関連論文リスト

• PartCo: Part-Level Correspondence Priors Enhance Category Discovery [60.37931246658181]
  Generalized Category Discovery (GCD)は、ラベルなしデータ内の既知のカテゴリと新しいカテゴリの両方を識別することを目的としている。 PartCoは、部分レベルの視覚的特徴対応を取り入れてカテゴリ発見を強化する新しいフレームワークである。 複数のベンチマークデータセットに対する実験により、PartCoは現在のGCDアプローチの性能を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-09-26T17:59:16Z)
• 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)
• 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)
• Contextuality Helps Representation Learning for Generalized Category Discovery [5.885208652383516]
  本稿では、文脈性の概念を活用することにより、一般化カテゴリー発見(GCD)への新たなアプローチを提案する。 我々のモデルでは,コントラスト学習に最も近いコンテキストが使用されるインスタンスレベルと,コントラスト学習を利用するクラスタレベルという,2つのコンテキストレベルを統合している。 文脈情報の統合は、特徴学習を効果的に改善し、その結果、すべてのカテゴリの分類精度が向上する。
  論文  参考訳（メタデータ） (2024-07-29T07:30:41Z)
• Textual Knowledge Matters: Cross-Modality Co-Teaching for Generalized Visual Class Discovery [65.16724941038052]
  Generalized Category Discovery (GCD)は、既知のカテゴリと未知のカテゴリの両方からラベルのないデータをクラスタすることを目的としている。 現在のGCD法は、新しい視覚カテゴリーを発見する際に、人間の認知過程の多様性知覚性を無視する視覚的手がかりのみに依存している。 マルチモーダルなGCDを実現するための2段階のTextGCDフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T07:06:50Z)
• Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering [22.24175320515204]
  皮膚内視鏡画像データセットから新しい意味クラスを自動的に発見する新しいクラス発見フレームワークを提案する。 具体的には、まずコントラスト学習を用いて、既知のカテゴリと未知のカテゴリのすべてのデータに基づいて、頑健で偏りのない特徴表現を学習する。 皮膚科学データセットISIC 2019について広範な実験を行い,本手法が既知のカテゴリの知識を有効活用し,新たな意味カテゴリーを発見できることを実験的に示した。
  論文  参考訳（メタデータ） (2023-09-28T13:59:29Z)
• 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)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)

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。