提出了一种新的主动学习设置，名为主动广义类别发现（AGCD），旨在通过主动选择有限数量的有价值样本进行标注，从而改善广义类别发现的性能。
Mar, 2024
自动发现广义类别的开放式任务，使用半监督表示学习过程中获得的区分性嵌入，构建原始稀疏网络并使用社区检测方法同时获取聚类结果和类别数。
Oct, 2023
我们提出了一种名为 MetaGCD 的方法，使用元学习框架和基于邻域的对比网络，实现了在已知类别中持续发现新类别的能力，并通过实验结果展示了该方法的优越性。
Aug, 2023
本文提出了一个新的通用类别发现（GCD）方法，通过使用一种合成数据集 'Clevr-4' 进行研究和评估，该数据集包含四个不同的数据分割，需要模型在有标签数据集的基础上推断出类别的层次结构，解决传统无监督聚类方法存在的问题，并在实验中展示了该方法的优越性。
Nov, 2023
开放环境识别（OWR）是一个新兴领域，使得机器学习模型能够拒绝未知样本，并进行管理，逐步将新样本添加到基础知识。本研究提出了一个评估协议，用于估计模型在内域未知类和外域未知类之间分离能力，通过传统迁移学习、自动化机器学习（AutoML）和最近类均值（NCM）分类器与 First Integer Neighbor Clustering Hierarchy（FINCH）相结合的方法，通过对垃圾、食品、狗、植物和鸟类等五个不同领域进行实验，结果表明所有方法都可以作为一个良好的准确性基线，并且预训练模型的平衡准确率（BACCU）得分有可能在一个或多个感兴趣领域中表现出色，同时强调了预训练模型中的有效表示对于识别相同领域的未知类很重要，进一步拓展了开放环境识别在领域特定任务中的应用前景。
Dec, 2023
不平衡的广义类别发现（ImbaGCD）是一个具有挑战性且实用的问题，该问题在未标记的数据集中，已知类别的分布偏向于常见类别而不是罕见类别。为了解决这些问题，我们提出了一种新的基于最优传输的期望最大化框架（ImbaGCD），通过对齐边际类别先验分布来完成广义类别发现，并在 GCD 设置下结合了一种估计不平衡类别先验分布的系统机制。我们的全面实验表明，ImbaGCD 在 CIFAR-100 上改进了约 2-4％，在 ImageNet-100 上改进了 15-19％，表明其在解决不平衡 GCD 问题方面具有优越的效果。
基于原型学习的开放世界目标检测方法 OCPL，包括 PEA、ESC、CSC 三个模块，用于学习已知类别的鉴别性嵌入以区分已知和未知类别，相关实验结果验证了该方法的有效性。
Feb, 2023
我们提出了一种框架，通过连续无监督学习方法在任务中发现新的和已知的类别，称之为广义连续类别发现（GCCD）。通过实验证明，我们的方法在表示学习性能上优于已采用 GCD 技术的强大 CL 方法。
通过研究基于长尾分布的广义类别发现 (Long-tailed GCD) 范式，以及支持稀有类别和预期类别分布的重新加权机制和类先验约束，我们提出的方法在 ImageNet100 上实现了约 6-9% 的改善，并在 CIFAR100 上取得了有竞争力的性能。
本文提出了一种动态概念对比学习（DCCL）框架，该框架通过交替估计基本视觉概念和学习概念表示来有效地提高聚类准确性。实验结果表明，DCCL 在通用和细粒度视觉识别数据集上取得了新的最优表现，尤其是在细粒度方面表现良好。
Mar, 2023