该研究提出了一种基于粗到细粒度的分类，使用标签表面名称和预训练的生成式语言模型，生成虚假数据训练分类器并用于模型优化，实验证明在两个真实数据集上比零 - shot 分类改进了性能。

Sep, 2021

通过本研究，我们提出了一种基于本体对齐的方法 SLHCat，利用知识图谱结构和本体类名的词汇和语义特征，自动发现自信的映射，并使用远程监督方式微调预训练语言模型 BERT，以捕捉类名的语义和句法属性。在基准数据集上进行评估，SLHCat 模型在大规模本体映射中较基准模型准确率提高了 25％的显著优势，为实现实际的解决方案提供了可能。

Sep, 2023

使用粗粒度监督进行细粒度类别发现是一项经济高效但具有挑战性的任务，本文提出一种使用语义相似性引导样本分布并形成表示细粒度类别的独特聚类的方法，并进行了理论和实证上的验证，结果在准确度、调整兰德指数和标准化互信息等方面超越了现有的最先进方法。

Jun, 2024

本研究提出了一种新的细粒度类别发现的场景，称为基于粗糙标注的细粒度类别发现 (FCDC)，它旨在通过仅使用粗糙标记数据发现细粒度类别，可以适应来自已知类别的不同粒度的类别并降低标记成本，而我们的方法则通过结合自对比学习和有监督学习进行层次加权处理，具有良好的效果和效率。

Oct, 2022

本文基于对粗粒度分类注释的 fine-grained 分类与粗细映射的方法，提出了一种基于轻量级对比聚类的自举方法，用于迭代地精炼 passage 标签，并在 NYT 和 20News 数据集上得到了较大幅度的性能提升。

Jun, 2023

本文提出了一种名为 HierCat 的查询分类系统，该系统通过使用双编码器体系结构的多任务预训练和分层推理步骤来从弱监督训练数据中有效地学习，以解决 Facebook Marketplace 等客户对客户电子商务平台上查询分类的挑战。实验结果表明，HierCat 不仅在离线实验中优于常用方法，而且在实际应用中，Facebook Marketplace Search 的 NDCG 指标有了 1.4% 的提升，并且搜索者的参与度增加了 4.3%。

Feb, 2023

本研究提出了一种从大规模数据集到小规模、特定领域细粒度图像分类（Fine Grained Visual Categorization, FGVC）任务的迁移学习方法，并通过 Earth Mover's Distance 提出了一种衡量领域相似度的方法，实现了目标领域与数据源领域之间的知识迁移，得到了最先进的结果。

Jun, 2018

该论文介绍了一种可以构建鲁棒实体链接模型的方法，该方法将注意力放在建立细粒度实体属性的模型上，具有更好的泛化性能，使用维基百科类别的大型库存来远程标记数据并训练实体类型模型，使用软类型预测将提及链接到最相似的候选实体上。

Sep, 2019

本文提出了一种新的插件模块，可集成到 CNN 或 Transformer 等常见的后背网络中，输出像素级特征图并融合过滤后的特征以增强细粒度视觉分类，实验结果表明所提出的插件模块优于现有方法，可显着提高准确性。

Feb, 2022

介绍了一种利用自然语言处理和图论工具结合的方法，通过向量表示和多尺度社团检测技术对文本进行分析和分类，得出了一组组具有相似内容的文档，揭示了主题和子主题的类层次结构。

Aug, 2018