欧几里得与超球体 K-Means 在广义类别发现中的比较
机器学习
2026-02-06 v1 图像与视频处理
摘要
超球体表示学习已广泛用于从数据中提取隐式层次结构，最近其发现了广义类别发现(GCD)这一开放世界分类任务的应用。然而，先前的超球体GCD方法仅在表示学习中使用超球体几何，在聚类时又转换回欧几里得几何。我们假设这并非最佳方法。因此，我们提出了超球体聚类GCD(HC-GCD)，该方法在超球体几何的洛夫特锥体模型中学习嵌入，并直接在超球体空间中使用超球体K-Means算法进行聚类。我们在语义偏移基准数据集上测试我们的模型，证明HC-GCD与之前的最先进的超球体GCD方法相当。此外，我们表明使用超球体K-Means比欧几里得K-Means获得更好的准确率。我们进行了消融研究，表明对欧几里得嵌入范数的裁剪会导致对未见类别聚类准确率下降，对于已见类别准确率提高，而总体准确率取决于数据集。我们还展示了使用超球体K-Means在改变标签粒度时更一致的聚类。
引用
@article{arxiv.2602.04932,
title = {Comparing Euclidean and Hyperbolic K-Means for Generalized Category Discovery},
author = {Mohamad Dalal and Thomas B. Moeslund and Joakim Bruslund Haurum},
journal= {arXiv preprint arXiv:2602.04932},
year = {2026}
}
备注
11 pages, 4 figures. To be published in the VISAPP