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。

Dec, 2023

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

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

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

通过引入大型语言模型，本论文提出了一种名为 Loop 的端到端主动学习框架，以改进通用类别发现任务，提升模型性能，生成类别名称，从而解决了当前方法在未知类别上表现不佳的问题，并扩大了在实际应用中的适用范围。

Dec, 2023

通过引入两个内存库记录未标记数据的历史预测，我们提出了一个记忆一致性引导的分治学习框架（MCDL），该框架利用预测一致性衡量每个样本的可信度，设计了分治学习策略来充分利用未标记数据的区分性信息，同时减小噪声标签的负面影响，通过多个基准实验结果证明了我们方法的广泛性和优越性，我们的方法在通用图像识别和具有挑战性的语义转换任务中（分别在 CUB 上获得 8.4％的增益和斯坦福汽车上获得 8.1％的增益）大幅超过了现有先进模型。

Jan, 2024

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