GOAL: 지속적 일반화 범주 발견을 위한 기하학적 최적 정렬

GOAL: Geometrically Optimal Alignment for Continual Generalized Category Discovery

지속적 일반화 범주 발견(C-GCD)은 시간이 지남에 따라 알려진 클래스에 대한 지식을 유지하면서 레이블이 없는 데이터에서 새로운 클래스를 식별하는 것을 요구한다. 기존 방법들은 일반적으로 분류기 가중치를 동적으로 업데이트하여, 망각 현상과 일관성 없는 특징 정렬을 초래한다. 우리는 학습 전반에 걸쳐 일관된 기하학적 구조를 부여하기 위해 고정된 ETF(Equiangular Tight Frame) 분류기를 도입하는 통합 프레임워크인 GOAL을 제안한다. GOAL은 레이블이 있는 샘플에 대해서는 지도 정렬을, 새로운 샘플에 대해서는 신뢰도 기반 정렬을 수행하여 기존 클래스를 훼손하지 않고 새로운 클래스를 안정적으로 통합할 수 있게 한다. 4개의 벤치마크에 대한 실험 결과에 따르면, GOAL은 기존 방법인 Happy를 능가하여 망각을 16.1% 감소시키고 새로운 클래스 발견을 3.2% 향상시킴으로써 장기 지속적 발견을 위한 강력한 솔루션을 확립하였다.

Continual Generalized Category Discovery (C-GCD) requires identifying novel classes from unlabeled data while retaining knowledge of known classes over time. Existing methods typically update classifier weights dynamically, resulting in forgetting and inconsistent feature alignment. We propose GOAL, a unified framework that introduces a fixed Equiangular Tight Frame (ETF) classifier to impose a consistent geometric structure throughout learning. GOAL conducts supervised alignment for labeled samples and confidence-guided alignment for novel samples, enabling stable integration of new classes without disrupting old ones. Experiments on four benchmarks show that GOAL outperforms the prior method Happy, reducing forgetting by 16.1% and boosting novel class discovery by 3.2%, establishing a strong solution for long-horizon continual discovery.