ClearGCD：用于鲁棒广义类别发现的缓解捷径学习
计算机视觉与模式识别
2025-12-01 v1 机器学习
摘要
在开放式场景中，广义类别发现（GCD）需要在无标签数据中识别已知和新类别。然而，现有方法常因捷径学习导致的原型混淆而受限，这削弱了泛化能力并导致已知类别的遗忘。我们提出ClearGCD框架，通过两种互补机制缓解对非语义线索的依赖。第一，语义视图对齐（SVA）通过跨类块替换生成强增强，并使用弱增强施加语义一致性。第二，捷径抑制正则化（SSR）维护一个自适应的原型库，对齐已知类别，同时鼓励潜在新类别的分离。ClearGCD可无缝集成到参数化GCD方法中，并在多个基准测试中一致优于最新方法。
引用
@article{arxiv.2511.22892,
title = {ClearGCD: Mitigating Shortcut Learning For Robust Generalized Category Discovery},
author = {Kailin Lyu and Jianwei He and Long Xiao and Jianing Zeng and Liang Fan and Lin Shu and Jie Hao},
journal= {arXiv preprint arXiv:2511.22892},
year = {2025}
}
备注
5 pages, 4 figures