零样新类别发现

最近提出的新类别发现（NCD）采用诱导学习范式，这限制了其在更实际场景中的应用。事实上，部分新类别中少量标注数据能够有效减轻这一负担，这也契合了人类能够轻松标注少量新类别数据的数据。因此，本文提出一种新设定，训练好的智能体能够通过利用仅少量（不足）支持样本中学习的知识，灵活地在已知（已标注）类别识别任务与新（完全无标签）类别聚类任务之间切换，具体取决于查询样本的数量。drawing inspiration from the discovery of novel categories using prior-based clustering algorithms, we introduce a novel framework that further relaxes its assumptions to the real-world open set level by unifying the concept of model adaptability in few-shot learning. 我们将这种设定称为 Few-Shot Novel Category Discovery（FSNCD），并提出半监督层次聚类（SHC）和不确定性感知 K 均值聚类（UKC）以检验模型的推理能力。在五个常用数据集上进行的大量实验和详细分析表明，我们的方法在不同任务设置和场景下均能实现领先的性能水平。