本研究提出LegoGCD学习方法，解决广义类别发现中的灾难性遗忘问题。该方法通过调整已知类别样本分布和引入KL散度约束，增强新类别识别，同时保持已知类别的性能。实验结果表明，LegoGCD有效减少了已知类别的遗忘，提高了分类准确性。

本文提出了CiPR框架，旨在解决广义类别发现问题。该框架结合对比学习和半监督聚类算法，能够自动聚类未知类别。研究结果表明，CiPR在公共数据集上的表现优越，推动了广义类别发现的研究，并提升了新旧类别识别的性能。

本文介绍了多种新模型和框架以提高广义类别发现（GCD）的性能，包括解耦原型网络、动态概念对比学习、MetaGCD和自平衡协助对比框架。这些方法通过有效的知识转移、对比学习和动态更新教师注意力等技术，显著提升了多个数据集上的分类准确性，尤其在细粒度识别方面表现优异。

本文介绍了多种基于文本和图像的半监督聚类方法，如动态概念对比学习（DCCL）和广义类别发现（GCD）。这些方法在多个数据集上表现优异，特别是在细粒度识别和长尾分布类别发现方面。

本文综述广义类别发现（GCD）研究进展，涵盖动态概念对比学习、层次类别数据集、EM-like高斯混合框架、广义连续类别发现、元学习、联邦GCD、长尾GCD以及引入大语言模型和CLIP多模态文本检索等方法，在细粒度识别等任务上取得最优表现。