Tag · 6 篇
广义类别发现
魔鬼藏在梯度纠缠中：面向鲁棒广义类别发现的能量感知梯度协调器
The Devil Is in Gradient Entanglement: Energy-Aware Gradient Coordinator for Robust Generalized Category Discovery
把「梯度纠缠」作为可诊断的优化失效模式，并用参考模型锚定有监督梯度方向、用能量系数自适应缩放无监督梯度投影，这套梯度级插件可直接移植到任何半监督/开放词表表征学习流程中，无需改动网络结构。
TAR：面向细粒度广义类别发现的词元感知精炼
TAR: Token-Aware Refinement for Fine-grained Generalized Category Discovery
指出 ViT 注意力在少数词元上异常高响应（注意力伪影）会压制细粒度局部线索，并提出用整个词元序列而非仅首个词元做分类的即插即用精炼模块，可直接移植到任何基于 ViT 特征的细粒度识别或开放类别发现流程中。
穿透分布偏移：因果启发的鲁棒广义类别发现
Seeing Through the Shift: Causality-Inspired Robust Generalized Category Discovery
把因果图与因果依赖风险估计引入跨域广义类别发现，用流形层面的不变性约束对齐已知/未知类，可作为处理域偏移下开放世界表征学习的通用正则手段。
基于半监督率失真的多模态表征学习用于广义类别发现
Multi-Modal Representation Learning via Semi-Supervised Rate Reduction for Generalized Category Discovery
把率失真（rate reduction）目标从单模态扩展到多模态半监督场景，用模态内对齐约束表征的紧凑性与结构性，可作为开放集识别、新类发现类视觉任务中替代纯对比学习的表征学习目标。
像人类一样学习：面向广义类别发现的类比概念学习
Learning Like Humans: Analogical Concept Learning for Generalized Category Discovery
把无标注样本的发现过程转成视觉-文本推理：用已标注知识类比生成文本概念，再与视觉特征融合，可直接插到参数化或聚类式 GCD 流程中，为开放世界细粒度识别提供可复用的文本先验注入手段。
在持续广义类别发现中解耦发现与记忆
Decouple Your Discovery and Memory in Continual Generalized Category Discovery
双分支解耦思路可迁移到任何需要「边学新类边保旧类」的视觉识别场景：把发现分支与记忆分支分开，避免过度保护旧类压制新类发现，并可作为插件叠加到现有增量/开放世界识别框架上。