Fugu-MT 論文翻訳(概要): Virtual Category-Guided Continual Generalized Category Discovery

論文の概要: Virtual Category-Guided Continual Generalized Category Discovery

arxiv url: http://arxiv.org/abs/2607.04984v1
Date: Mon, 06 Jul 2026 12:20:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:30.14622
Title: Virtual Category-Guided Continual Generalized Category Discovery
Title（参考訳）: Virtual Category-Guided Continual Generalized Category Discovery
Abstract要約: Continual Generalized Category Discovery (C-GCD)は、シーケンシャルなラベルのないデータから新しいカテゴリを段階的に識別することを目的としている。主要なボトルネックは、既知のクラスに確実に割り当てられることができないあいまいな未ラベルのサンプルにある。仮想拡張カテゴリー学習を適用することで、仮想カテゴリー誘導連続一般化カテゴリ発見を導入する。
参考スコア（独自算出の注目度）: 11.453503047357282
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Continual Generalized Category Discovery (C-GCD) aims to incrementally identify novel categories from sequential unlabeled data while preserving recognition of known classes, which is an essential capability for open-world visual learning. A major bottleneck lies in ambiguous unlabeled samples that cannot be confidently assigned to known classes nor reliably grouped as novel ones, making pseudo-labeling brittle and often biasing learning toward familiar categories. In this work, we introduce Virtual Category-Guided Continual Generalized Category Discovery by adapting Virtual Category Learning (VCL) to the continual setting. Our method identifies uncertain samples and assigns them to temporary virtual categories, enabling safe and informative learning from unlabeled streams without injecting noisy labels, while improving unlabeled data utilization and mitigating prediction bias. To further stabilize discovery across sessions and enhance class separation, we augment VCL with Expanded Neighborhood Contrastive Learning (ENCL), which exploits extended neighborhood relations and an adaptive margin to learn more discriminative and well-separated representations for both old and emerging classes. Extensive experiments on CIFAR-100, Tiny ImageNet, and ImageNet-100 demonstrate that our approach consistently outperforms state-of-the-art methods, establishing a scalable and effective solution for C-GCD.
Abstract（参考訳）: C-GCD(Continuous Generalized Category Discovery)は、オープンワールドの視覚学習に不可欠な、既知のクラスの認識を維持しながら、シーケンシャルなラベルのないデータから新しいカテゴリを段階的に識別することを目的としている。主要なボトルネックは、既知のクラスに確実に割り当てられたり、新しいクラスとして確実にグループ化されたりできない曖昧で未ラベルのサンプルにある。本稿では,仮想カテゴリー学習(VCL)を連続的な設定に適応させることにより,仮想カテゴリー誘導連続一般化カテゴリー発見を導入する。提案手法は,不確実なサンプルを識別して一時的な仮想カテゴリに割り当て,ノイズラベルを注入することなく,ラベルなしストリームからの安全かつ情報的学習を可能にするとともに,ラベルなしデータ利用の改善と予測バイアスの軽減を図る。さらにセッション間の発見の安定化とクラス分離の強化を目的として,拡張近隣比較学習(ENCL)によるVCLの強化を行った。 CIFAR-100, Tiny ImageNet, ImageNet-100の大規模な実験により、我々のアプローチは最先端の手法を一貫して上回り、C-GCDのスケーラブルで効果的なソリューションを確立します。

関連論文リスト

Sharpness-aware Dynamic Anchor Selection for Generalized Category Discovery [61.694524826522205]
既知のクラスのラベル付きデータを考えると、GCDは既知のクラスと未知のクラスの両方を含むラベルなしデータをクラスタ化することを目的としている。大規模な事前学習モデルでは、特定の視覚的パターンが好まれ、ラベルのないデータに対して刺激的な相関を符号化する。 LSP(Los Sharpness Penalty)とDAS(Dynamic Anchor Selection)の2つのモジュールを含む新しい手法を提案する。
論文参考訳（メタデータ） (2025-12-15T02:24:06Z)
HOpenCls: Training Hyperspectral Image Open-Set Classifiers in Their Living Environments [12.486470619228776]
ハイパースペクトル画像(HSI)のオープンセット分類は,実環境に展開するHSI分類モデルにおいて重要である。本稿では,未ラベルの野生データを活用するための新しいフレームワークであるHOpenClsを提案する。実験により、複雑な実世界のシナリオにおいて、ワイルドデータはオープンセットのHSI分類を大幅に向上する可能性が示された。
論文参考訳（メタデータ） (2025-02-21T02:59:18Z)
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)
Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文参考訳（メタデータ） (2023-12-02T16:23:52Z)
MetaGCD: Learning to Continually Learn in Generalized Category Discovery [26.732455383707798]
事前に定義されたクラスでトレーニングされたモデルが、ラベルのないデータに絶えず遭遇する実世界のシナリオを考察する。目標は、既知のクラスのパフォーマンスを維持しながら、新しいクラスを継続的に発見することである。そこで我々はMetaGCDと呼ばれる手法を提案し,忘れることなく漸進的に発見する方法を学習する。
論文参考訳（メタデータ） (2023-08-21T22:16:49Z)
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)
PromptCAL: Contrastive Affinity Learning via Auxiliary Prompts for Generalized Novel Category Discovery [39.03732147384566]
Generalized Novel Category Discovery (GNCD) 設定は、既知のクラスや新しいクラスから来るラベルなしのトレーニングデータを分類することを目的としている。本稿では,この課題に対処するために,PromptCALと呼ばれる補助視覚プロンプトを用いたコントラスト親和性学習法を提案する。提案手法は,クラストークンと視覚的プロンプトのための既知のクラスと新しいクラスのセマンティッククラスタリングを改善するために,信頼性の高いペアワイズサンプル親和性を発見する。
論文参考訳（メタデータ） (2022-12-11T20:06:14Z)
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)
ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
論文参考訳（メタデータ） (2021-01-02T09:04:14Z)

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。