論文の概要: PACO: Proxy-Task Alignment and Online Calibration for On-the-Fly Category Discovery

• arxiv url: http://arxiv.org/abs/2604.11484v1
• Date: Mon, 13 Apr 2026 13:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.57778
• Title: PACO: Proxy-Task Alignment and Online Calibration for On-the-Fly Category Discovery
• Title（参考訳）: PACO: オンザフライカテゴリー発見のためのプロキシタスクアライメントとオンラインキャリブレーション
• Authors: Weidong Tang, Bohan Zhang, Zhixiang Chi, ZiZhang Wu, Yang Wang, Yanan Wu,
• Abstract要約: On-the-Fly Category Discovery (OCD)は、オンラインストリーミングシーケンスから新しいクラスを発見しながら既知のクラスを認識するために、オフラインサポートセットでトレーニングされたモデルを必要とする。 我々はPACOを提案する。PACOは、サポートセットを校正し、ツリーを構造化したオンライン意思決定フレームワークである。
• 参考スコア（独自算出の注目度）: 29.521872615059632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: On-the-Fly Category Discovery (OCD) requires a model, trained on an offline support set, to recognize known classes while discovering new ones from an online streaming sequence. Existing methods focus heavily on offline training. They aim to learn discriminative representations on the support set so that novel classes can be separated at test time. However, their discovery mechanism at inference is typically reduced to a single threshold. We argue that this paradigm is fundamentally flawed as OCD is not a static classification problem, but a dynamic process. The model must continuously decide 1) whether a sample belongs to a known class, 2) matches an existing novel category, or 3) should initiate a new one. Moreover, prior methods treat the support set as fixed knowledge. They do not update their decision boundaries as new evidence arrives during inference. This leads to unstable and inconsistent category formation. Our experiments confirm these issues. With properly calibrated and adaptive thresholds, substantial improvements can be achieved, even without changing the representation. Motivated by this, we propose PACO, a support-set-calibrated, tree-structured online decision framework. The framework models inference as a sequence of hierarchical decisions, including known-class routing, birth-aware novel assignment, and attach-versus-create operations over a dynamic prototype memory. Furthermore, we simulate the proxy discovery process to initialize the thresholds during offline training to align with inference. Thresholds are continuously updated during inference using mature novel prototypes. Importantly, PACO requires no heavy training and no dataset-specific tuning. It can be directly integrated into existing OCD pipelines as an inference-time module. Extensive experiments show significant improvements over SOTA baselines across seven benchmarks.
• Abstract（参考訳）: On-the-Fly Category Discovery (OCD)は、オンラインストリーミングシーケンスから新しいクラスを発見しながら既知のクラスを認識するために、オフラインサポートセットでトレーニングされたモデルを必要とする。 既存の方法はオフライントレーニングに重点を置いている。 彼らは、新しいクラスをテスト時に分離できるように、サポートセットで差別的な表現を学ぶことを目指している。 しかしながら、推論時の発見機構は通常、単一のしきい値に還元される。 我々は、OCDは静的な分類問題ではなく、動的なプロセスであるため、このパラダイムは基本的に欠陥があると主張する。 モデルは継続的に決定しなければなりません 1) サンプルが既知のクラスに属するか否か 2) 既存の新規カテゴリーに適合する。 3) 新しいものを始めるべきだ。 さらに、事前の手法では、サポートセットを固定知識として扱う。 推論中に新たな証拠が到着するため、決定境界は更新されない。 これは不安定で矛盾したカテゴリー形成につながる。 我々の実験はこれらの問題を裏付ける。 適切な校正と適応のしきい値により、表現を変更することなく、大幅な改善が達成できる。 そこで我々は,PACOを提案する。PACOはサポートセットの校正,ツリー構造化によるオンライン意思決定フレームワークである。 フレームワークは、既知のクラスルーティング、出生対応の新規割り当て、動的プロトタイプメモリ上のアタッチ-逆生成操作など、階層的な決定のシーケンスとして推論をモデル化する。 さらに、プロキシ発見プロセスをシミュレートして、オフライントレーニング中にしきい値の初期化を行い、推論と整合する。 閾値は、成熟した新しいプロトタイプを使用して推論中に継続的に更新される。 重要なことは、PACOは重いトレーニングを必要とせず、データセット固有のチューニングも必要としない。 推論時モジュールとして、既存のOCDパイプラインに直接統合することができる。 大規模な実験では、7つのベンチマークでSOTAベースラインを大幅に改善した。

関連論文リスト

• Learning through Creation: A Hash-Free Framework for On-the-Fly Category Discovery [35.522047721751626]
  OCDは、推論中に新しいカテゴリーを同時に発見しながら、既知のクラスを認識することを目的としている。 限定ラベル付きデータに最適化されたモデルが、推論中に定性的に異なる発見目標を実行することを期待するのは理にかなっている。 オフライン学習に直接新規カテゴリ認識を注入する,完全機能ベースかつハッシュフリーなフレームワークであるLearning Through Creation (LTC)を提案する。
  論文  参考訳（メタデータ） (2026-03-14T09:35:31Z)
• TALON: Test-time Adaptive Learning for On-the-Fly Category Discovery [30.10914068071538]
  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。
  論文  参考訳（メタデータ） (2026-03-09T08:14:58Z)
• What, How, and When Should Object Detectors Update in Continually Changing Test Domains? [34.13756022890991]
  テストデータを推測しながらモデルをオンラインに適応させるテスト時適応アルゴリズムが提案されている。 連続的に変化するテスト領域におけるオブジェクト検出のための新しいオンライン適応手法を提案する。 提案手法は,広く使用されているベンチマークのベースラインを超え,最大4.9%,mAP7.9%の改善を実現している。
  論文  参考訳（メタデータ） (2023-12-12T07:13:08Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• 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。