BriefGPT - AI 论文速递
·
SelEx：细粒度广义类别发现中的自我专业化
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文重新探讨了泛化类别发现的挑战，通过InfoMax概率参数分类器的视角。提出了基于RPIM的新颖InfoMax方法，使用伪标签监督未标记样本，并提出了正则化方法来确保伪标签质量。实验证明RPIM在未知类方面性能显著提高。
🎯
关键要点
- 本文重新探讨了泛化类别发现的挑战。
- 通过确保已知和未知类的独立性，扩大了已知和未知类之间的边界。
- 提出了一种基于新颖的InfoMax方法，即正则化参数InfoMax（RPIM）。
- RPIM使用伪标签监督未标记样本，并提出正则化方法以确保伪标签质量。
- 引入基于语义偏差转换的新颖特征优化方法，减少计算成本。
- 在六个基准数据集上进行大量实验，验证了方法的有效性。
- RPIM在未知类方面显著提高了性能，超过现有技术方法的3.5％的平均边界。
➡️
