Fan Lyu, Tianle Liu, Zhang Zhang, Fuyuan Hu, Liang Wang
개요
본 논문은 테스트 시간 동안 발생하는 클래스 이동 문제를 해결하기 위해 새로운 과제인 Test-Time Discovery (TTD)를 제시합니다. TTD는 모델이 새로운 카테고리를 식별하는 동시에 이전에 학습된 카테고리를 유지해야 하는 어려움을 가지고 있습니다. 이를 위해 기존 학습 데이터와의 미세 비교를 통해 클래스 발견을 향상시키는 학습이 필요 없는 해시 기반 메모리 메커니즘을 제안합니다. 알려지지 않은 클래스의 특징을 활용하여 특징 스케일과 방향을 기반으로 하는 해시 표현을 도입하고, Locality-Sensitive Hashing (LSH)을 사용하여 유사한 샘플을 효율적으로 그룹화합니다. 이를 통해 테스트 샘플을 관련된 과거 인스턴스와 쉽고 빠르게 비교할 수 있습니다. 또한, 알려진 클래스에 대한 프로토타입 분류기와 새로운 클래스에 대한 LSH 기반 분류기를 결합한 협업 분류 전략을 설계합니다. 신뢰성을 높이기 위해 해시 기반 이웃 검색을 통해 메모리 레이블을 개선하는 자기 수정 메커니즘을 통합하여 더욱 안정적이고 정확한 클래스 할당을 보장합니다. 실험 결과는 제안된 방법이 알려진 클래스에 대한 성능을 유지하면서 새로운 카테고리를 잘 발견함을 보여주며, 모델 테스트에 대한 새로운 패러다임을 제시합니다. 코드는 https://github.com/fanlyu/ttd 에서 제공됩니다.
