生长与合并：连续类别发现的统一框架
机器学习
2022-10-11 v1 计算机视觉与模式识别
摘要
尽管许多研究致力于新类别发现，但大多数假设静态设置，即同时给出标记和未标记数据以发现新类别。在这项工作中，我们关注未标记数据连续输入类别发现系统的应用场景。我们将其称为连续类别发现（CCD）问题，这比静态设置更具挑战性。新类别发现面临的一个共同挑战是分类和类别发现需要不同的特征集：分类偏好类别判别特征，而新类别挖掘更适合丰富多样的特征。对于动态设置，这一挑战更加严峻，因为系统需要随时间对已知类别保持良好的性能，同时从未标记数据中持续发现新类别。为了解决这一挑战，我们开发了一个生长与合并（GM）框架，通过在生长阶段和合并阶段之间交替工作：在生长阶段，通过连续自监督学习增加特征的多样性以实现有效的类别挖掘；在合并阶段，将生长后的模型与静态模型合并，以确保对已知类别的满意性能。我们的广泛研究表明，所提出的GM框架在连续类别发现方面显著优于现有最先进方法。
引用
@article{arxiv.2210.04174,
title = {Grow and Merge: A Unified Framework for Continuous Categories Discovery},
author = {Xinwei Zhang and Jianwen Jiang and Yutong Feng and Zhi-Fan Wu and Xibin Zhao and Hai Wan and Mingqian Tang and Rong Jin and Yue Gao},
journal= {arXiv preprint arXiv:2210.04174},
year = {2022}
}
备注
This paper has already been accepted by 36th Conference on Neural Information Processing Systems (NeurIPS 2022)