主动广义类别发现
内容提要
本文探讨了多种广义类别发现模型，包括基于半监督学习的联邦模型、动态概念对比学习框架和长尾分布的类别发现方法。这些方法通过提高聚类准确性和处理不平衡数据，在图像识别任务中表现出色，尤其在细粒度识别和未知类别处理方面。实验结果显示，这些新方法在多个数据集上取得了显著提升。
延伸解读
联邦学习与隐私保护
文章提出了一种基于半监督学习的联邦广义类别发现模型，该模型在不暴露客户机训练数据的情况下进行协同训练。通过在服务器上聚合客户机学习的GMM分类生成全局GMM，本地GCL使用有限数据学习鲁棒表示，全局GCL利用综合类别关系鼓励更具区分度的表示。实验表明该模型优于FedAvg基线，为隐私敏感场景下的类别发现提供了可行方案。
动态概念对比学习提升细粒度识别
动态概念对比学习（DCCL）框架通过交替估计基本视觉概念和学习概念表示，有效提高了聚类准确性。在通用和细粒度视觉识别数据集上，DCCL取得了新的最优表现，尤其在细粒度方面表现良好。这表明DCCL能够捕捉更细微的类别差异，适用于需要精细区分的应用场景。
长尾分布与不平衡数据挑战
针对长尾分布的广义类别发现，文章提出了重新加权机制和类先验约束，在ImageNet100上实现了约6-9%的性能提升，并在CIFAR100上具有竞争力。此外，不平衡的广义类别发现（ImbaGCD）通过基于最优传输的期望最大化框架，在CIFAR-100上改进约2-4%，在ImageNet-100上改进15-19%，显著缓解了常见类别与罕见类别分布偏差的问题。
持续学习与主动学习扩展
广义连续类别发现（GCCD）框架通过无监督学习在任务中发现新旧类别，表示学习性能优于强大的持续学习方法。MetaGCD结合元学习和对比网络，实现了在已知类别中持续发现新类别。Loop框架引入大型语言模型进行端到端主动学习，生成类别名称，解决了未知类别上表现不佳的问题，扩大了实际应用范围。
Q&A
什么是基于半监督学习的联邦广义类别发现模型？
该模型在不暴露客户机数据的情况下，通过协同训练生成全局GMM，从而提高类别知识的全面性。
动态概念对比学习框架（DCCL）有什么优势？
DCCL通过交替估计视觉概念和学习概念表示，显著提高了聚类准确性，特别是在细粒度识别上表现优异。
长尾分布的广义类别发现方法在性能上有何提升？
该方法在ImageNet100上实现了约6-9%的性能提升，并在CIFAR100上表现出竞争力。
不平衡的广义类别发现（ImbaGCD）是如何改善性能的？
ImbaGCD通过最优传输的期望最大化框架，显著改善了在不平衡数据集上的表现，CIFAR-100上提升约2-4%。
广义连续类别发现（GCCD）框架的主要功能是什么？
GCCD框架通过无监督学习方法发现新旧类别，提升了表示学习性能。
如何通过引入大型语言模型改善类别发现任务？
通过名为Loop的主动学习框架，提升模型性能并生成类别名称，从而解决未知类别的问题。
