基于代理锚和 EVT 无缝学习方法的通用类别发现

在文献中，持续性通用类别发现（continual generalized category discovery）已被引入并研究，旨在 continuously discover and learn novel categories in incoming data batches while avoiding catastrophic forgetting of previously learned categories。其关键挑战在于模型能够分离新样本，其中极值理论（Extreme Value Theory, EVT）已被有效应用于。本文提出一种新方法，将 EVT 与代理锚集成，通过概率包含函数定义代理锚周围的边界，从而拒绝未知样本。此外，我们引入一种基于 EVT 的新损失函数以增强学习到的表征，实现在类似设置下优于其他深度度量学习方法的卓越性能。利用推导出的概率函数，有效地将新样本与之前已知类别分离。然而，这些新样本内的类别发现有时会高估新类别的数量。为缓解此问题，我们提出一种基于 EVT 的新方法以减少模型规模并丢弃冗余代理。我们还在持续学习阶段集成经验重放和知识蒸馏机制，以防止灾难性遗忘。实验结果表明，我们的方法在持续性通用类别发现场景下优于当前最先进的方法。