HIDISC：面向域归纳的双曲框架 with Generalized Category Discovery

广义类别发现（GCD）旨在在不依赖标签监督的情况下，将测试时间样本分类为“已见类别”或“新类别”。现有大多数GCD方法假设在训练时同时获取标注数据和未标注数据，且来自同一域，限制了在涉及分布迁移的开放场景中的适用性。域归纳与GCD（DG-GCD）通过要求模型对包含新类别的未见域进行推理，解除了该限制，且在训练期间无需访问目标域数据。唯一的现有DG-GCD方法DG2CD-Net依赖于基于多个合成域的episodic训练和任务向量聚合，导致高计算成本和误差累积。我们提出HIDISC，一种无需episodic模拟即可实现域和类别级别泛化的双曲表示学习框架。为让模型接触最少但多样化的域变化，我们采用GPT引导的扩散方法对源域进行数据增强，既避免了过拟合，又保持了效率。为构建表示空间，我们引入切向CutMix（Tangent CutMix），这是一种基于曲率的插值方法，能够在切向空间中合成伪新样本，保持流形一致性。统一损失函数结合了惩罚性Bussmann对齐、混合双曲对比正则化和自适应异常点排斥，**促进紧凑且语义结构化的嵌入。可学习的曲率参数进一步适应数据集的复杂性。HIDISC在PACS、Office-Home和DomainNet上实现了状态最佳成绩，持续优于现有的欧几里得和双曲（DG）-GCD基线方法。