論文の概要: DP-BOA: Dirichlet-Process Birth-or-Assign for On-the-Fly Category Discovery

• arxiv url: http://arxiv.org/abs/2607.13504v1
• Date: Wed, 15 Jul 2026 06:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.675524
• Title: DP-BOA: Dirichlet-Process Birth-or-Assign for On-the-Fly Category Discovery
• Title（参考訳）: DP-BOA:ディリクレ・プロシース・バース・オー・アサインのオンザフライカテゴリー発見
• Abstract要約: オンザフライのカテゴリディスカバリでは、既存のカテゴリを割り当てるか、あるいは新しいカテゴリを生成すべきか、各テストサンプルの入力を決定する必要がある。 オンラインディリクレ-プロセスガウス混合モデルに基づく後述決定フレームワークDP-BOAを提案する。 DP-BOAは一貫して強いベースラインを上回り、特に新しいクラスの発見性能を提供する。
• 参考スコア（独自算出の注目度）: 15.437501704411458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: On-the-fly category discovery requires deciding for each incoming test sample whether to assign it to an existing category or spawn a new one. Existing methods typically implement this decision through matching-based heuristics, such as radius- or hash-based rules. While effective in practice, these methods usually treat category birth implicitly as a fallback when no existing category matches confidently, rather than as an explicit alternative supported by its own statistical evidence. To address this, we propose DP-BOA, a posterior-predictive decision framework based on an online Dirichlet-process Gaussian mixture model with a Normal-Inverse-Wishart prior. During training, we use labeled data to calibrate a shared NIW prior over category Gaussians and warm-start the known-category posteriors. At test time, for each incoming sample, DP-BOA compares the posterior predictive evidence for assignment to existing categories against the evidence for spawning a new category induced by the DP prior, and then updates category statistics online after the decision. The method captures anisotropic category geometry and naturally adapts decision confidence as evidence accumulates. Across standard OCD benchmarks, DP-BOA consistently outperforms strong baselines and delivers particularly strong novel-class discovery performance while maintaining competitive known-class accuracy.
• Abstract（参考訳）: オンザフライのカテゴリディスカバリでは、既存のカテゴリにそれを割り当てるか、あるいは新しいカテゴリを生成すべきか、各テストサンプルの入力を決定する必要がある。 既存の手法では、半径法やハッシュ法のようなマッチングベースのヒューリスティックによってこの決定を実行するのが一般的である。 実際には有効であるが、これらの手法は通常、既存のカテゴリーが自信を持って一致しない場合に、カテゴリーの誕生を暗黙的に、自身の統計的証拠によって支持される明示的な代替手段として扱うのではなく、フォールバックとして扱う。 そこで本研究では,オンラインディリクレ-プロセスガウス混合モデルと正規-逆-ウィッシュアートを併用した後述決定フレームワークDP-BOAを提案する。 トレーニング中、私たちは分類ガウスよりも先に共有NIWを校正し、既知のカテゴリー後部をウォームスタートするためにラベル付きデータを使用します。 DP-BOAは、入ってくるサンプル毎に、既存のカテゴリに割り当てた後続の予測的証拠と、DP事前に誘導された新しいカテゴリを発生させた証拠とを比較し、決定後、オンラインのカテゴリ統計を更新する。 この方法は異方性圏の幾何学を捉え、証拠が蓄積されるにつれて決定の信頼性を自然に適応させる。 標準のOCDベンチマーク全体を通じて、DP-BOAは一貫して強力なベースラインを上回り、競争力のある既知のクラス精度を維持しながら、特に強力な新規クラスの発見性能を提供する。

関連論文リスト

• Post-Hoc Split-Point Self-Consistency Verification for Efficient, Unified Quantification of Aleatoric and Epistemic Uncertainty in Deep Learning [5.996056764788456]
  不確実性定量化(UQ)は、信頼できる深層学習には不可欠であるが、既存の手法は計算集約的であるか、タスク固有の部分的な見積もりのみを提供する。 本研究では,事前訓練したモデルの変更や再訓練を伴わずに,アレタリックおよびてんかんの不確実性を共同でキャプチャするポストホック・シングルフォワード・パス・フレームワークを提案する。 提案手法は,EmphSplit-Point Analysis (SPA) を用いて,予測残差を上下サブセットに分解し,各側でEmphMean Absolute Residuals (MAR) を演算する。
  論文  参考訳（メタデータ） (2025-09-16T17:16:01Z)
• A Generic Method for Fine-grained Category Discovery in Natural Language Texts [38.297873969795546]
  そこで本研究では,新たな目的関数によって導かれる意味的類似テキストの微細なクラスタをうまく検出する手法を提案する。 この方法は対数空間における意味的類似性を利用してユークリッド空間のサンプル分布を導く。 また,リアルタイムアプリケーションをサポートするセントロイド推論機構を提案する。
  論文  参考訳（メタデータ） (2024-06-18T23:27:46Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Prediction Error-based Classification for Class-Incremental Learning [39.91805363069707]
  予測誤差に基づく分類(PEC)を導入する PECは、そのクラスのデータに基づいて、凍結ランダムニューラルネットワークの出力を複製するために訓練されたモデルの予測誤差を測定して、クラススコアを算出する。 PECは、サンプル効率、チューニングの容易さ、データを一度に1つのクラスに提示しても有効性など、いくつかの実用的な利点を提供している。
  論文  参考訳（メタデータ） (2023-05-30T07:43:35Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。