본 논문은 기존의 폐쇄세계 가정에 제약받는 전통적인 준지도 학습 패러다임과 달리, 일반화된 범주 발견(GCD) 문제를 다룬다. GCD는 비표지 데이터셋에 표지 데이터셋에 나타나지 않는 새로운 범주가 포함되어 있다고 가정하며, 기존 범주 분류뿐 아니라 비표지 데이터에서 새로운 범주를 발견하는 것을 목표로 한다. 기존 GCD 연구는 주로 자기지도 학습 사전 학습 모델에서 부분 조정 및 프롬프트 학습과 같은 미세 조정 전략을 통해 일반 지식을 목표 GCD 작업으로 전달하는 데 집중한다. 그러나 이러한 미세 조정 방법은 사전 학습 백본의 일반화 능력과 GCD 작업에 대한 적응성 사이의 균형을 제대로 맞추지 못한다. 본 논문에서는 이러한 한계를 극복하기 위해 어댑터 조정 기반의 새로운 방법인 AdaptGCD를 제안한다. AdaptGCD는 어댑터 조정을 GCD 작업에 도입한 최초의 연구이며, 미래 연구에 대한 중요한 통찰력을 제공한다. 또한, 기존 범주와 새로운 범주 간의 감독 정보 차이를 고려하여 경로 할당 제약 조건을 갖춘 다중 전문가 어댑터 구조를 설계하여 기존 범주와 새로운 범주 데이터를 서로 다른 전문가 그룹으로 분리한다. 7개의 널리 사용되는 데이터셋에 대한 광범위한 실험을 수행하여 성능의 눈에 띄는 향상을 보여주었다.
