論文の概要: Test-Time Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2609.33937v1
• Date: Sun, 27 Sep 2026 21:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 15:32:11.177668
• Title: Test-Time Generalized Category Discovery
• Title（参考訳）: テスト時間一般化カテゴリー発見
• Abstract要約: テスト時間適応(TTA)と一般化カテゴリー発見(GCD)は、伝統的に相反する問題として扱われる。 テスト時間一般化カテゴリー発見(TT-GCD)は,視覚言語モデルが分布シフトに適応しなければならない,統一的で現実的なシナリオである。 PACTは、既知のクラス認識と、プロトタイプの割り当てによる新規クラス発見をキャストする、完全に教師なしのフレームワークである。
• 参考スコア（独自算出の注目度）: 36.01761080873539
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-Time Adaptation (TTA) and Generalized Category Discovery (GCD) are traditionally treated as disjoint problems: the former adapts models to domain shift assuming all test classes are known, while the latter discovers novel categories assuming labeled training data for known classes. However, real-world deployment rarely fits either setting. Motivated by this gap, we introduce Test-Time Generalized Category Discovery (TT-GCD), a unified and more realistic scenario where a vision-language model must adapt to distribution shifts, classify known categories using only textual supervision, and discover novel categories, all during test time and without access to labeled data. To address this challenging scenario, we propose PACT (Prototype Assignment for Category discovery at Test time), a fully unsupervised framework that casts known-class recognition and novel-class discovery via prototype assignment. PACT first re-aligns shifted visual features with the text-derived class representations of the VLM using confident zero-shot predictions. Known and novel categories are then both represented by prototypes in the visual embedding space, estimated from the unlabeled test stream, and each test image is assigned to the category whose prototype is most similar to its visual feature. Extensive experiments across corruption and domain-shift benchmarks demonstrate that PACT outperforms adapted state-of-the-art TTA and GCD methods, effectively bridging the gap between adaptation and discovery.
• Abstract（参考訳）: テスト時間適応(TTA)と一般化カテゴリー発見(GCD)は、伝統的に非結合的な問題として扱われる: 前者は、すべてのテストクラスが知られていると仮定して、ドメインシフトにモデルを適応させ、後者は、既知のクラスに対するラベル付きトレーニングデータを仮定する新しいカテゴリを発見する。 しかし、実際のデプロイメントはどちらの設定にも当てはまらない。 このギャップに触発されたテスト時一般化カテゴリー発見(TT-GCD)は、視覚言語モデルが分布シフトに適応し、テキスト監視のみを使用して既知のカテゴリを分類し、テスト時間中およびラベル付きデータにアクセスせずに新しいカテゴリを発見する、統一的で現実的なシナリオである。 この課題に対処するために,テスト時のカテゴリ発見のためのプロトタイプアサインメント(Prototype Assignment for Category discovery at Test time)を提案する。 PACTファーストアライメントは、自信あるゼロショット予測を使用してVLMのテキスト由来のクラス表現で視覚的特徴をシフトさせた。 既知のカテゴリと新しいカテゴリはどちらも、未ラベルのテストストリームから推定される視覚埋め込み空間のプロトタイプによって表現され、各テストイメージは、その視覚的特徴に最も近いカテゴリに割り当てられる。 汚職とドメインシフトベンチマークの広範な実験により、PACTは最先端のTTAとGCDの手法よりも優れており、適応と発見のギャップを効果的に埋めることを示した。

関連論文リスト

• 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)
• Contextuality Helps Representation Learning for Generalized Category Discovery [5.885208652383516]
  本稿では、文脈性の概念を活用することにより、一般化カテゴリー発見(GCD)への新たなアプローチを提案する。 我々のモデルでは,コントラスト学習に最も近いコンテキストが使用されるインスタンスレベルと,コントラスト学習を利用するクラスタレベルという,2つのコンテキストレベルを統合している。 文脈情報の統合は、特徴学習を効果的に改善し、その結果、すべてのカテゴリの分類精度が向上する。
  論文  参考訳（メタデータ） (2024-07-29T07:30:41Z)
• Learn to Categorize or Categorize to Learn? Self-Coding for Generalized Category Discovery [49.1865089933055]
  テスト時に未知のカテゴリを発見できる新しい,効率的かつ自己管理手法を提案する。 このアプローチの健全な特徴は、個々のデータインスタンスに最小長のカテゴリコードの割り当てである。 試行錯誤による評価は, 提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-10-30T17:45:32Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)

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。