超越已见范畴：开放词汇学习中有界分布估计
计算机视觉与模式识别
2025-10-07 v1 机器学习
摘要
开放词汇学习需要在开放环境中建模数据分布，这些环境包含已见类别和未见类别的数据。现有方法仅使用已见类别数据估计开放环境中的分布，由于缺乏未见类别，估计误差本质上不可辨识。直观地，超越已见类别的学习对于控制估计误差至关重要。我们理论性地证明，通过生成未见类别数据，可以有效估计分布，从而将估计误差上界。基于此理论洞见，我们提出一种新颖的开放词汇学习方法，用于在开放环境中估计分布。该方法包含类别域相关的数据生成管道和分布对齐算法。数据生成管道在层次语义树和从已见类别数据推断的域信息的指导下，生成未见类别数据，以促进准确的分布估计。借助生成的数据，分布对齐算法估计并最大化后验概率，以增强开放词汇学习中的泛化性。在11个数据集上的大量实验表明，我们的方法比基线方法高出最高14%，凸显了其有效性和优越性。
引用
@article{arxiv.2510.04770,
title = {Beyond the Seen: Bounded Distribution Estimation for Open-Vocabulary Learning},
author = {Xiaomeng Fan and Yuchuan Mao and Zhi Gao and Yuwei Wu and Jin Chen and Yunde Jia},
journal= {arXiv preprint arXiv:2510.04770},
year = {2025}
}