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

该论文提出了一种 EM-like 框架，基于半监督的高斯混合模型，利用渐进式的原型对比学习进行表征学习，并采用聚类分配实例，从而解决不知道类数的广义类别发现问题，并在分类和物体识别上取得最先进的性能。

May, 2023

本文研究了一种高度通用的图像识别场景，提出了一种名为 'Generalized Category Discovery' 的方法，使用视觉变换器、对比表示学习和半监督 k 均值方法对未标记的数据进行分类。

Jan, 2022

这篇论文介绍了一种新的新类发现语义分割方法，使用基于熵的不确定性建模和自训练技术来提高模型性能，实验结果展示了这种方法对于 PASCAL-5i 数据集上的平均 IoU 提高了 9.28%。

Dec, 2021

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

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

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

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。

Aug, 2023

提出一种基于 Associated Gaussian Contrastive Learning 框架的联邦广义类别发现模型，该模型适用于在不暴露客户机训练数据的情况下协同训练，通过在服务器上聚合客户机学习的 GMM 分类生成全局 GMM 来生成更全面的类别知识，本地 GCL 使用有限的本地数据学习鲁棒的表示，全局 GCL 使用综合的类别关系鼓励模型产生更具有区分度的表示，实验表明该模型优于 FedAvg 基线。

May, 2023

本论文探讨如何在新（未知）目标的情况下正确归类图像，并提出了一种新的基于非参数分类组合的高效采样方法，以缓解灾难性遗忘，并通过提出的基准数据集 iNatIGCD 在实验中表现优异。

Apr, 2023