梯度纠缠的魔鬼：能源感知梯度协调器用于鲁棒的广义类别发现
机器学习
2026-04-17 v1 人工智能
机器学习
摘要
广义类别发现（GCD）利用标记数据对未标记样本进行分类，这些样本来自已知或未知类别。大多数先前方法同时优化监督和非监督目标，取得了令人满意的成绩。然而，内在的优化干扰仍限制了其进一步提升的能力。通过定量分析，我们识别出一个关键问题，即梯度纠缠，它（1）扭曲监督梯度，削弱已知类别之间的判别力；（2）导致已知类别与新类别的表示子空间重叠，降低了新类别的可分离性。为此，我们提出了能源感知梯度协调器（EAGC），一个即插即用的数据级模块，显式地调节优化过程。EAGC包含两个组件：基于锚点的数据梯度对齐（AGA）和能源感知弹性投影（EEP）。AGA引入参考模型，以锚定标记样本的梯度方向，保留已知类别的判别结构，抵御未标记梯度的干扰。EEP对未标记梯度进行软投影，映射到已知类别子空间的补空间，并推导能源基准系数，根据每个未标记样本与已知子空间的对齐程度自适应缩放投影，从而在不压制可能属于已知类别的未标记样本的前提下，减少子空间重叠。实验表明，EAGC一致地提升了现有方法，建立了新的状态-of-the-art成绩。代码已公开：https://haiyangzheng.github.io/EAGC。
引用
@article{arxiv.2604.14176,
title = {The Devil Is in Gradient Entanglement: Energy-Aware Gradient Coordinator for Robust Generalized Category Discovery},
author = {Haiyang Zheng and Nan Pu and Yaqi Cai and Teng Long and Wenjing Li and Nicu Sebe and Zhun Zhong},
journal= {arXiv preprint arXiv:2604.14176},
year = {2026}
}
备注
Accepted by CVPR26