arXiv cs.AI· Zitai Wang, Qianqian Xu, Cong Hua, Xi Chen, Zhiyong Yang, Xiaochun Cao, Qingming Huang·· 13 小时前AI 评分18
广义类别发现中的语义错映射：评估与缓解
Semantic Mismapping in Generalized Category Discovery: Evaluation and Mitigation
AI 导读
研究指出，广义类别发现（GCD）方法沿用全局匈牙利匹配会重新分配已锚定的旧类索引，导致新类准确率被高估最多 25.63 点，作者将这一现象称为语义错映射，并给出置换环条件刻画其何时抬高匹配分数。
正文 · AI 翻译
摘要：广义类别发现（GCD）旨在在同一无标签集合中同时进行旧类别识别和新类别发现。早期方法通过聚类来处理这两个目标，并使用全局匈牙利（GH）匹配来评估可交换的预测索引。近期方法采用可训练的参数化头，利用监督信息进行旧类别识别，并使用面向发现的目标处理新类别。这样，输出空间变得部分可交换：旧索引在语义上被锚定，而新索引仍可交换。然而，这些方法仍然应用全局匹配，这可能会将已锚定的旧索引重新分配给其他类别，并掩盖一些预测错误。在实证中，我们惊讶地观察到，这种重新分配可能导致新类别准确率被高估多达 25.63 个百分点。我们将这一现象称为语义错映射，并进一步推导出一个置换循环条件，用以刻画语义错映射何时会提高全局匹配分数。为了解决这个问题，我们提出了语义保持评估（SPE），它保留旧索引的监督语义，并将匈牙利匹配限制在新区域。此外，我们提出了错映射缓解优化（MMO），以减轻可能引发语义错映射的预测错误，它结合了用于旧/新路由的区域平衡损失（RBL）和鼓励新原型之间正交性的新类多样性损失（NDL）。在理论上，我们表明最小化这两个损失可以收紧语义错映射带来的虚假准确率增益的上界，且残差项可控。在 GH 和 SPE 下的实证结果均证明了我们所提方法的有效性。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.39356 [cs.CV] |
| （或 arXiv:2610.39356v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39356 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zitai Wang [查看电子邮件]
[v1]
2026年10月29日星期四 04:49:17 UTC（15,809 KB）
来源：arXiv cs.AI · arxiv.org