Core Concepts
활성화된 범주 발견(AGCD)은 일반화된 범주 발견(GCD)의 문제를 해결하기 위한 새로운 방법론을 제안합니다.
Abstract
목차:
레이블된 데이터 및 모델
오라클(주석자)
레이블되지 않은 데이터
전통적인 활성 학습
활성화된 일반화된 범주 발견
쿼리
다이어그램
초록
관련 작업
사전 및 분석
주요 내용 및 통찰:
AGCD는 GCD의 문제를 해결하기 위해 새로운 활성화된 방법론을 제안합니다.
새로운 클래스에 대한 주석이 필요하지만 비용이 많이 듭니다.
Adaptive-Novel 샘플링 전략은 새로운 샘플을 적절하게 선택하기 위해 적응적으로 작동합니다.
안정적인 라벨 매핑 알고리즘은 모델의 일관된 훈련을 보장합니다.
실험 결과는 AGCD가 다양한 시나리오에서 최고의 성능을 보인다는 것을 보여줍니다.
Stats
새로운 클래스에 대한 주석이 필요합니다.
모델은 레이블된 데이터와 레이블되지 않은 데이터에서 훈련됩니다.
Quotes
"새로운 클래스에 대한 주석이 필요하지만 비용이 많이 듭니다."
"Adaptive-Novel 샘플링 전략은 새로운 샘플을 적절하게 선택하기 위해 적응적으로 작동합니다."