이 논문은 개방형 인식 문제에 대한 새로운 접근 방식을 제안한다. 기존 방법들은 알려진 클래스 샘플을 사용하여 정적이고 고정된 결정 경계를 학습하지만, 이는 동적이고 개방적인 시나리오에서 충분하지 않다. 이 논문은 동적 대 동적 아이디어를 제안하여 동적이고 변화 가능한 모델을 구축하여 동적으로 변화하는 개방형 세계에 적응하는 개방형 자기 학습 프레임워크를 개발한다.
이 프레임워크는 두 가지 핵심 구성 요소로 구성된다. 첫째, 잘 훈련된 폐쇄형 분류기는 신뢰할 수 있는 시작점을 제공한다. 둘째, 새로운 자기 매칭 모듈은 테스트 데이터에 대한 모델 적응을 달성한다. 이 모듈은 알려진 클래스 샘플을 자동으로 식별하고 알 수 없는 클래스 샘플을 거부하며, 이를 통해 모델의 판별 능력을 향상시킨다.
실험 결과는 이 프레임워크가 거의 모든 표준 및 교차 데이터 벤치마크에서 새로운 성능 기록을 수립했음을 보여준다. 또한 이 방법은 기존 방법과 직교하므로 이를 시작점으로 사용하여 성능을 더 향상시킬 수 있다.
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Haifeng Yang... о arxiv.org 04-30-2024
https://arxiv.org/pdf/2404.17830.pdfГлибші Запити