Happy：面向持续广义类别发现的去偏学习框架

持续发现新概念是应对不断演变环境中的关键任务。本文探讨了较少被探讨的持续广义类别发现（Continual Generalized Category Discovery, C-GCD）任务，该任务旨在从无标签数据中逐步发现新类别，同时保持对以前学习类别的识别能力。虽然已提出多种设置来研究 C-GCD 任务，但这些方法都存在局限，无法反映真实世界情景。因此，我们研究了更为实际的 C-GCD 设置：随着时间推移，发现的新类别数量更多且持续时间更长，且不存储以前类别的样本。在 C-GCD 中，模型首先在已知类别的有标签数据上进行训练，随后在包含旧类别和新类别的无标签数据上进行多个增量阶段。核心挑战在于两个相互冲突的目标：发现新类别并防止遗忘旧类别。我们深入分析了这些冲突，识别出模型易受预测偏差和难度偏差的影响。为解决这些问题，我们引入了一个去偏学习框架，称为 Happy，特点是硬度感知原型采样和软熵正则化。针对预测偏差，我们首先引入基于聚类的初始化，以提供稳健的特征。此外，我们提出了软熵正则化，以为新类别分配合适的概率，从而显著提升新类别的聚类性能。针对硬度偏差，我们提出了硬度感知原型采样，该方法可有效减少以前看到的类别（尤其是难类别）的遗忘问题。实验结果表明，我们的方法在各种数据集上都能熟练地管理 C-GCD 的冲突，取得显著成绩，例如在 ImageNet-100 上实现 7.5% 的整体提升。我们的代码已公开于 https://github.com/mashijie1028/Happy-CGCD。