基于核网络的开世界类别发现
机器学习
2020-12-15 v1
摘要
我们研究一个开世界类别发现问题，其中给定来自旧类的带标签训练样本，我们需要从带标签的测试样本中未发现的新类中发现新类。解决该范式面临两个关键挑战：（a）从旧类到新类的知识迁移，以及（b）将从新类学到的知识整合回原始模型。我们提出带扩展的类发现核网络（CD-KNet-Exp），一种深度学习框架，其利用希尔伯特-施密特独立性准则以系统性方式将监督与无监督信息桥接起来，从而使得从旧类学到的知识被恰当地蒸馏以用于发现新类。与竞争方法相比，CD-KNet-Exp 在三个公开可用基准数据集和一个具挑战性的真实世界射频指纹数据集上展现出优越性能。
关键词
引用
@article{arxiv.2012.06957,
title = {Open-World Class Discovery with Kernel Networks},
author = {Zifeng Wang and Batool Salehi and Andrey Gritsenko and Kaushik Chowdhury and Stratis Ioannidis and Jennifer Dy},
journal= {arXiv preprint arXiv:2012.06957},
year = {2020}
}
备注
Accepted to the IEEE International Conference on Data Mining 2020 (ICDM'20); Best paper candidate