Fugu-MT 論文翻訳(概要): CoGe-GCD: Reframing Generalized Category Discovery with Compositional Generalization

論文の概要: CoGe-GCD: Reframing Generalized Category Discovery with Compositional Generalization

arxiv url: http://arxiv.org/abs/2609.10158v1
Date: Wed, 09 Sep 2026 13:34:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:09.038042
Title: CoGe-GCD: Reframing Generalized Category Discovery with Compositional Generalization
Title（参考訳）: CoGe-GCD: 組成一般化による一般カテゴリー発見のフレーミング
Abstract要約: Generalized Category Discovery (GCD)は、ラベル付きデータと混合されたラベル付きインスタンスを、既知のまたは新しいカテゴリに割り当てる。既存のGCD法は、構造化されていないトークンの特徴と、新しい構成への外挿に苦慮している。合成一般化によりGCDを再考するCoGe-GCDを提案する。
参考スコア（独自算出の注目度）: 26.877865526166516
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generalized Category Discovery (GCD) assigns unlabeled instances, mixed with labeled data, to known or novel categories, requiring human-like compositional reasoning: reusing primitives learned from known classes and deciding when new combinations imply new categories. Existing GCD methods operate on unstructured token features and struggle to extrapolate to novel compositions. We propose CoGe-GCD, which rethinks GCD through compositional generalization with two coupled stages. (i) Compositional Perception structures patch tokens by mapping them to a small vocabulary of primitives and refining token embeddings via competitive token-primitive assignment and information passing, yielding coherent groups for discovery. (ii) Generalizing Induction exploits the induced geometric structure and applies a structure-preserving calibration over spatial relations, maintaining probabilistic semantics while improving extrapolation to unseen primitive combinations. CoGe-GCD is implemented as an inductive-bias module between backbone and projection head, without modifying heads or losses, and can be plugged into diverse GCD frameworks. On standard benchmarks, it consistently improves all-class accuracy, unknown-class number estimation, and geometric quality, with marginal computational overhead. Code is available at https://github.com/lytang63/CoGe-GCD.
Abstract（参考訳）: Generalized Category Discovery (GCD) は、ラベル付きデータと混合された未ラベルのインスタンスを、既知のまたは新しいカテゴリに割り当て、人間のような構成推論を必要とする:既知のクラスから学んだプリミティブを再利用し、新しい組み合わせが新しいカテゴリを意味するかどうかを決定する。既存のGCD法は、構造化されていないトークンの特徴と、新しい構成への外挿に苦慮している。合成一般化によりGCDを再考するCoGe-GCDを提案する。 1 構成知覚構造は、原始の小さな語彙にマッピングしてトークンをパッチし、競合する原始的代入及び情報伝達を介してトークンを埋め込むことにより、発見のための一貫性のあるグループを産み出す。二誘導の一般化は、誘導幾何学的構造を利用し、空間的関係に対する構造保存的校正を適用し、確率論的意味論を維持しつつ、未確認な原始的組み合わせに対する外挿を改善する。 CoGe-GCDは、ヘッドやロスを変更することなく、バックボーンとプロジェクションヘッドの間のインダクティブバイアスモジュールとして実装され、多様なGCDフレームワークにプラグインできる。標準ベンチマークでは、全てのクラス精度、未知のクラス数推定、幾何学的品質を限界計算オーバーヘッドで一貫して改善する。コードはhttps://github.com/lytang63/CoGe-GCDで入手できる。

関連論文リスト

CloSeR: Unified Relational Distillation from Closed-Set Teachers for Category Discovery [16.721682363090043]
CloSeRは、一般カテゴリー発見トレーニングにクローズドセットの知識を注入する。 6つのベンチマークでのDINOとDINOv2のバックボーンの実験は、GCDベースラインよりも一貫した利得を示している。
論文参考訳（メタデータ） (2026-08-26T12:10:54Z)
Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
論文参考訳（メタデータ） (2026-07-08T02:50:02Z)
Learning Like Humans: Analogical Concept Learning for Generalized Category Discovery [48.78384108448773]
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。
論文参考訳（メタデータ） (2026-03-20T12:59:59Z)
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)
Consistent Supervised-Unsupervised Alignment for Generalized Category Discovery [49.67913741459179]
Generalized Category Discovery (GCD)は、未知のデータから新しいカテゴリを同時に発見しながら、既知のカテゴリを分類することに焦点を当てている。従来のGCD手法は、不整合最適化目標とカテゴリー混乱による課題に直面している。本稿ではニューラル・コラプスにインスパイアされた一般化カテゴリー発見(NC-GCD)フレームワークを提案する。
論文参考訳（メタデータ） (2025-07-07T07:34:41Z)
Hyperbolic Category Discovery [12.654574453480635]
Generalized Category Discovery (GCD) は、既知のクラスや未知のクラスに属するかに関わらず、未ラベルのサブセット内のすべてのイメージを分類することを目的としている。 GCDのための階層認識表現と分類器を学習するためのハイパーボリックフレームワークを提案する。
論文参考訳（メタデータ） (2025-04-08T15:12:33Z)
AdaptGCD: Multi-Expert Adapter Tuning for Generalized Category Discovery [15.640670797555579]
Generalized Category Discoveryは、古いカテゴリを分類し、ラベルなしデータの新しいカテゴリを見つけることを目的としている。 GCDに関する既存の研究は、通常、自己教師付き事前訓練されたモデルから目標のGCDタスクに一般的な知識を移すことに費やしている。本稿では,GCDタスクにアダプタチューニングを導入する最初の試みであるAdaptGCDという,アダプタチューニングに基づく新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-29T03:41:47Z)
Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-30T00:32:47Z)
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)
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)

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。