RoNID：利用生成可靠标签和聚类友好表示的新意图发现

新意图发现（NID）旨在开放世界场景中识别已知意图并合理推断新的意图组。但当前方法面临伪标签不准确和表示学习差的问题，形成负反馈循环，降低了整体模型性能，包括准确性和调整兰德指数。为了解决上述挑战，我们提出了一种鲁棒的新意图发现（RoNID）框架，通过EM风格方法进行优化，专注于构建可靠的伪标签和获得聚类友好的判别性表示。RoNID包含两个主要模块：可靠伪标签生成模块和聚类友好表示学习模块。具体来说，伪标签生成模块通过在E步中求解最优传输问题来分配可靠的合成标签，从而为聚类友好表示学习模块的输入有效提供高质量的监督信号。为了学习具有强簇内紧凑性和大簇间分离性的聚类友好表示，表示学习模块在M步中结合了簇内和簇间对比学习，为生成模块提供更具判别性的特征。RoNID可以迭代执行，最终产生一个具有可靠伪标签和聚类友好表示的鲁棒模型。在多个基准上的实验结果表明，我们的方法相比之前的最先进方法有大幅提升，提高了+1~+4个百分点。