論文の概要: Relational Retrieval: Leveraging Known-Novel Interactions for Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2605.09420v1
• Date: Sun, 10 May 2026 08:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.240364
• Title: Relational Retrieval: Leveraging Known-Novel Interactions for Generalized Category Discovery
• Title（参考訳）: リレーショナル検索:一般カテゴリー発見のためのノウン・ノーベル相互作用の活用
• Authors: Yulin Xu, Chunqi Guo, Yuanzhen Shuai, Jianyuan Ni,
• Abstract要約: 一般カテゴリー発見(GCD)を検索の観点から検討する。 RPCは、ファインベンチマークとジェネリックベンチマークの両方で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 1.5609421954756975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we tackle Generalized Category Discovery (GCD) via a Relational Retrieval perspective, explicitly coupling labeled and unlabeled data through bidirectional knowledge transfer. While existing methods treat these sources separately, missing valuable interaction opportunities, we propose Relational Pattern Consistency (RPC) that enables mutual enhancement. RPC employs One-vs-All classifiers for soft ID/OOD decomposition, then introduces two mechanisms: (i) for known-class preservation, we transfer semantic behavioral alignment; (ii) for category discovery, we leverage the insight that samples from the same category maintain invariant relationships with known-class prototypes, transforming unreliable pseudo-labeling into well-defined relational pattern matching. This bidirectional design allows labeled data to guide unlabeled learning while discovering novel categories through their collective relational signatures. Extensive experiments demonstrate RPC achieves state-of-the-art performance on both generic and fine-grained benchmarks.
• Abstract（参考訳）: 本研究では,リレーショナル検索の観点から一般化カテゴリー発見(GCD)に取り組み,双方向の知識伝達を通じてラベル付きおよびラベルなしデータを明示的に結合する。 既存の手法では、これらのソースを別々に扱うが、相互強化を可能にするリレーショナルパターン一貫性(RPC)を提案する。 RPCはソフトID/OOD分解にOne-vs-All分類器を使用し、次に2つのメカニズムを導入している。 (i) 既知のクラス保存については,意味的行動アライメントを伝達する。 (II) カテゴリ発見には,同一カテゴリのサンプルが既知のプロトタイプと不変な関係を維持し,信頼できない擬似ラベルをよく定義された関係パターンマッチングに変換するという知見を活用する。 この双方向設計により、ラベル付きデータにより、ラベル付き学習をガイドし、共通のリレーショナルシグネチャを通じて新しいカテゴリを発見できる。 大規模な実験では、RPCは一般的なベンチマークときめ細かいベンチマークの両方で最先端のパフォーマンスを実現している。

関連論文リスト

• Towards Adaptive Open-Set Object Detection via Category-Level Collaboration Knowledge Mining [54.999230823851384]
  既存のオブジェクト検出器は、新しいカテゴリに適応しながら、ドメインをまたいだ一般化に苦慮することが多い。 ドメイン間のクラス間関係とクラス内関係を両立させる,カテゴリレベルの協調知識マイニング戦略を提案する。 我々の手法は、最先端の AOOD 法を 1.1-5.5 mAP で一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-13T08:51:01Z)
• Adaptive Disentangled Representation Learning for Incomplete Multi-View Multi-Label Classification [21.46127994164718]
  マルチビューマルチラベル学習は、しばしば機能の欠如と不完全なアノテーションに悩まされる。 本稿では,適応ディスタングル型表現学習法を提案する。 ADRLは、近隣の認識を伴うモダリティにまたがる特徴レベルの親和性を伝播することにより、堅牢なビューコンプリートを実現する。 公開データセットと実世界のアプリケーションに関する実験は、ADRLの優れた性能を示している。
  論文  参考訳（メタデータ） (2026-01-09T13:22:37Z)
• Prior-Constrained Association Learning for Fine-Grained Generalized Category Discovery [24.241546246216082]
  本稿では,一般化カテゴリー発見(GCD)について述べる。 GCDは、潜在的に未知または未知のカテゴリからラベルのないデータをクラスタリングするタスクである。 本研究では,データ内の意味的関係を捕捉し,学習するための事前制約付きアソシエーション学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-13T17:13:46Z)
• Prompt Categories Cluster for Weakly Supervised Semantic Segmentation [20.37668418178215]
  弱監視セマンティックス (WSSS) はその費用対効果のために大きな注目を集めている。 本稿では,Prompt Categories Clustering(PCC)と呼ばれる新しいWSSSフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-12-18T13:11:58Z)
• EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
  本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。 EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-20T06:21:56Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• RAPL: A Relation-Aware Prototype Learning Approach for Few-Shot Document-Level Relation Extraction [35.246592734300414]
  FSDLREのための関係認識型プロトタイプ学習手法を提案する。 提案手法は, 関係プロトタイプを効果的に改良し, タスク固有のNOTAプロトタイプを生成する。
  論文  参考訳（メタデータ） (2023-10-24T11:35:23Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• Revisiting Unsupervised Relation Extraction [23.47182453117887]
  非ラベル関係抽出(URE)は、手作業による教師付きデータと既存の知識ベース(KB)を使わずに、原文から名前付きエンティティ間の関係を抽出する 我々は、名前付きエンティティのみを使用して関係型を誘導することにより、2つの一般的なデータセット上で既存のメソッドより優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T20:22:45Z)

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。