인간처럼 학습하기: 일반화된 범주 발견을 위한 유추적 개념 학습

Learning Like Humans: Analogical Concept Learning for Generalized Category Discovery

일반화된 범주 발견(GCD)은 레이블이 없는 데이터에서 새로운 범주를 발견하는 동시에 기존 범주에 대한 인식을 유지하는 것을 목표로 합니다. 그러나 기존의 시각 정보만을 사용하는 방식과 지도 학습과 발견 간의 느슨한 결합은 종종 미세한 차이를 가진 유사한 범주에 대해 불안정한 경계를 초래합니다. 본 연구에서는 레이블된 지식을 활용하여 새로운 관찰 데이터에 대한 유추를 수행하고, 레이블이 없는 샘플에 대한 텍스트 기반 개념을 생성하는 '유추적 텍스트 개념 생성기(ATCG)'라는 모듈을 제안합니다. 이러한 유추적 텍스트 개념과 시각적 특징을 결합함으로써, 발견 과정을 시각-텍스트 추론 프로세스로 변환하고, 기존 지식을 새로운 데이터에 전달하며 범주 간의 구분을 명확하게 합니다. ATCG는 매개변수 기반 방식과 클러스터링 방식의 GCD 파이프라인 모두에 적용 가능하며, 전체 설계 변경이 필요하지 않습니다. 6개의 벤치마크에서 ATCG는 전반적인 성능, 기존 범주 성능 및 새로운 범주 성능을 지속적으로 향상시키며, 특히 미세한 차이를 가진 데이터에서 가장 큰 성능 향상을 보였습니다. 저희 코드는 다음 링크에서 이용 가능합니다: https://github.com/zhou-9527/AnaLogical-GCD.

Generalized Category Discovery (GCD) seeks to uncover novel categories in unlabeled data while preserving recognition of known categories, yet prevailing visual-only pipelines and the loose coupling between supervised learning and discovery often yield brittle boundaries on fine-grained, look-alike categories. We introduce the Analogical Textual Concept Generator (ATCG), a plug-and-play module that analogizes from labeled knowledge to new observations, forming textual concepts for unlabeled samples. Fusing these analogical textual concepts with visual features turns discovery into a visual-textual reasoning process, transferring prior knowledge to novel data and sharpening category separation. ATCG attaches to both parametric and clustering style GCD pipelines and requires no changes to their overall design. Across six benchmarks, ATCG consistently improves overall, known-class, and novel-class performance, with the largest gains on fine-grained data. Our code is available at: https://github.com/zhou-9527/AnaLogical-GCD.