ProtoGCD: Unified and Unbiased Prototype Learning for Generalized Category Discovery
Created by
Haebom
저자
Shijie Ma, Fei Zhu, Xu-Yao Zhang, Cheng-Lin Liu
개요
본 논문은 일반화된 범주 발견(GCD) 문제를 다룬다. GCD는 기존 클래스의 레이블된 샘플을 활용하여 새로운 범주를 자동으로 클러스터링하고 발견하는 실용적인 문제이지만, 아직 충분히 연구되지 않았다. 기존 연구들은 의사 레이블링과 매개변수 분류기를 사용하여 기존 클래스와 새로운 클래스를 별도로 처리함으로써 클래스 간 정확도 불균형 문제를 야기했다. 최근 대조 학습을 활용하는 방법들은 잠재적인 양성 샘플을 무시하고 클러스터링 목표와 분리되어 편향된 표현과 최적이 아닌 결과를 초래했다. 이러한 문제를 해결하기 위해, 본 논문에서는 기존 클래스와 새로운 클래스를 공동 원형과 통합된 학습 목표를 사용하여 모델링하는 통합적이고 비편향적인 원형 학습 프레임워크인 ProtoGCD를 제시한다. 특히, 확인 편향을 완화하기 위한 이중 수준 적응형 의사 레이블링 메커니즘과 더불어 GCD에 더 적합한 표현을 학습하도록 돕는 두 가지 정규화 항을 제안한다. 실용적인 고려 사항으로, 새로운 클래스의 수를 추정하기 위한 기준을 고안하고, ProtoGCD를 확장하여 보이지 않는 이상치를 탐지하여 작업 수준의 통합을 달성한다. 포괄적인 실험을 통해 ProtoGCD가 일반적이고 세분화된 데이터셋 모두에서 최첨단 성능을 달성함을 보여준다. 코드는 https://github.com/mashijie1028/ProtoGCD 에서 이용 가능하다.
