論文の概要: Semantic Mismapping in Generalized Category Discovery: Evaluation and Mitigation

• arxiv url: http://arxiv.org/abs/2610.39356v1
• Date: Thu, 29 Oct 2026 04:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.460071
• Title: Semantic Mismapping in Generalized Category Discovery: Evaluation and Mitigation
• Title（参考訳）: 一般カテゴリー発見における意味的ミスマッピング:評価と緩和
• Abstract要約: Generalized Category Discovery (GCD) は、古いカテゴリの認識と新しいカテゴリの発見を、同じラベルのないセットで行うことを目的としている。 近年の手法では、古いカテゴリー認識のための監督と新しいカテゴリの発見指向の目的を用いて、訓練可能なパラメトリックヘッドを採用する。 これらの手法は依然としてグローバルマッチングを適用しており、固定された古いインデックスを他のカテゴリに再割り当てし、いくつかの予測エラーを隠すことができる。 本稿では,古い指標の教師付き意味を保存し,ハンガリー語のマッチングを新しい領域に制限するセマンティックス保存評価(SPE)を提案する。
• 参考スコア（独自算出の注目度）: 116.43302950068538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalized Category Discovery (GCD) aims to perform old-category recognition and novel-category discovery in the same unlabeled set. Early methods address both objectives through clustering and evaluate the exchangeable predicted indices with global Hungarian (GH) matching. Recent methods adopt trainable parametric heads, using supervision for old-category recognition and discovery-oriented objectives for new categories. In this way, the output space becomes partially exchangeable: old indices are semantically anchored, while new indices remain exchangeable. However, these methods still apply global matching, which can reassign anchored old indices to other categories and hide some prediction errors. Empirically, we are surprised to observe that this reassignment can induce an overestimation of new-category accuracy by up to 25.63 points. We term this phenomenon semantic mismapping and further derive a permutation-cycle condition that characterizes when semantic mismapping can increase the global matching score. To fix this issue, we propose Semantics-Preserving Evaluation (SPE), which preserves the supervised semantics of old indices and restricts Hungarian matching to the new region. Furthermore, we propose Mismapping-Mitigating Optimization (MMO) to alleviate the prediction errors that can give rise to semantic mismapping, combining a region-balance loss (RBL) for old/new routing with a novel-diversity loss (NDL) that encourages orthogonality among new prototypes. Theoretically, we show that minimizing the two losses can tighten an upper bound on spurious accuracy gains from semantic mismapping, with controllable residual terms. Empirical results under both GH and SPE demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: Generalized Category Discovery (GCD) は、古いカテゴリの認識と新しいカテゴリの発見を、同じラベルのないセットで行うことを目的としている。 初期の方法はクラスタリングを通じて両方の目的に対処し、グローバルハンガリー(GH)マッチングと交換可能な予測指標を評価した。 近年の手法では、古いカテゴリー認識のための監督と新しいカテゴリの発見指向の目的を用いて、訓練可能なパラメトリックヘッドを採用する。 このように、出力空間は部分的に交換可能になり、古いインデックスは意味的に固定され、新しいインデックスは交換可能となる。 しかし、これらの手法は依然としてグローバルマッチングを適用しており、固定された古いインデックスを他のカテゴリに再割り当てし、いくつかの予測エラーを隠すことができる。 経験的に、この再割り当てが25.63ポイントの新たなカテゴリの精度を過大評価する可能性があることに驚きます。 この現象を意味的ミスマッピング(semantic mismapping)と呼び、さらに意味的ミスマッピング(semantic mismapping)がグローバルなマッチングスコアを増大させる場合に特徴付ける置換サイクル条件を導出する。 この問題を解決するために,古い指標の教師付き意味を保存し,ハンガリー語のマッチングを新しい領域に制限するセマンティックス保存評価(SPE)を提案する。 さらに,新しいプロトタイプ間の直交性を促進する新しい多様性損失(NDL)と,新しいルーティングのための領域バランス損失(RBL)を組み合わせることで,意味的ミスマッチを引き起こす可能性のある予測誤差を軽減するために,ミスマッピング・ミティゲーティング最適化(MMO)を提案する。 理論的には、2つの損失の最小化は、セマンティック・ミスマッピングによる突発的精度向上の上限を、制御可能な残差項で締め付けることができる。 GHとSPEを併用した実験により,提案手法の有効性が示された。

関連論文リスト

• CAIRO: Decoupling Order from Scale in Regression [13.755937210012883]
  回帰を2つの異なる段階に分離する枠組みを提案する。 第1段階では,スケール不変ランキングの損失を最小限に抑えることで,スコアリング関数を学習する。 第2に,等速回帰による目標スケールの復元を行う。
  論文  参考訳（メタデータ） (2026-02-16T03:50:05Z)
• EquiTabPFN: A Target-Permutation Equivariant Prior Fitted Networks [55.214444066134114]
  我々は、同変エンコーダ、デコーダ、およびバイアテンション機構を介し、完全にターゲット同変のアーキテクチャに適応する置換不変性を設計する。 標準分類ベンチマークの実証的評価は、事前学習中に見られたクラス数より多いデータセットでは、我々のモデルは計算オーバーヘッドを低く抑えながら既存の手法と一致または超えていることを示している。
  論文  参考訳（メタデータ） (2025-02-10T17:11:20Z)
• STAR Loss: Reducing Semantic Ambiguity in Facial Landmark Detection [80.04000067312428]
  本稿では,意味的あいまいさの特性を利用した自己適応型あいまいさ低減(STAR)の損失を提案する。 意味的あいまいさは異方性予測分布をもたらすことが分かり、予測分布を用いて意味的あいまいさを表現する。 また,分布の異常変化とモデルの初期収束を回避できる2種類の固有値制限法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T10:33:25Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Beyond mAP: Towards better evaluation of instance segmentation [23.562251593257674]
  平均精度は、ハイリコール範囲における重複予測をペナルティ化しない。 本研究では,空間的およびカテゴリー的両方の重複予測の量を明示的に測定する2つの新しい手法を提案する。 当社のセマンティックソーティングとNMSは,ヘッジド予測を緩和し,APを保存するためのプラグイン・アンド・プレイモジュールとして追加することができる。
  論文  参考訳（メタデータ） (2022-07-04T17:56:14Z)
• Ensembling over Classifiers: a Bias-Variance Perspective [13.006468721874372]
  Pfau (2013) による偏差分解の拡張の上に構築し, 分類器のアンサンブルの挙動に関する重要な知見を得る。 条件付き推定は必然的に既約誤差を生じさせることを示す。 経験的に、標準的なアンサンブルはバイアスを減少させ、この予期せぬ減少のために、分類器のアンサンブルがうまく機能するかもしれないという仮説を立てる。
  論文  参考訳（メタデータ） (2022-06-21T17:46:35Z)

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。