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。该框架通过对比学习和半监督层次聚类，自动聚类未知类别实例并估计其数量。测试结果表明，其在公共图像识别数据集上表现优异。

本研究提出了一种新方法AdaptGCD，旨在解决半监督学习在新类别处理中的局限性。通过多专家适配器结构，显著提升了广义类别发现任务的性能。

本文提出了一个两阶段的TextGCD框架，通过使用视觉-语言模型实现多模态的广义类别发现。实验证明该方法在八个数据集上具有优势。