ReCL: un módulo plug-and-play para mejorar el descubrimiento de categorías generalizadas utilizando el método basado...

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Visión por computadora

Sus antecedentes:

• Los modelos de aprendizaje profundo luchan en el reconocimiento abierto debido a los diferentes conjuntos de etiquetas de capacitación y prueba.
• El descubrimiento de categorías generalizadas (GCD) aborda esto clasificando los datos etiquetados y no etiquetados simultáneamente.
• Los métodos actuales de aprendizaje por contraste para GCD a menudo descuidan las relaciones entre muestras dentro de los datos sin etiqueta.

Objetivo del estudio:

• Proponer un nuevo módulo de aprendizaje contrastante basado en relaciones (ReCL) para mejorar el descubrimiento de categorías generalizadas.
• Mejorar el aprendizaje de características discriminatorias para muestras sin etiquetar en tareas de GCD.
• Integrar ReCL con los modelos de GCD existentes para mejorar su rendimiento.

Principales métodos:

• Desarrolló un módulo de aprendizaje contrastante basado en relaciones (ReCL) para el descubrimiento de categorías generalizadas.
• Se empleó un método de asignación basado en el transporte para identificar muestras semánticamente relevantes para puntos de datos no etiquetados.
• Utilizó una técnica de fusión basada en prototipos para crear un anclaje positivo para el aprendizaje contrastante con datos sin etiqueta.

Principales resultados:

• El módulo ReCL propuesto mejora significativamente el rendimiento de varios modelos de GCD existentes.
• Los experimentos en diversos dominios muestran resultados de última generación en múltiples puntos de referencia.
• La selección de muestras basada en el transporte en ReCL produce muestras semánticamente similares pero diversas en comparación con los métodos de similitud de coseno.

Conclusiones:

• El módulo de aprendizaje contrastante basado en relaciones aborda efectivamente las limitaciones de los enfoques actuales de GCD.
• ReCL ofrece una adición flexible y potente a los marcos de GCD existentes, mejorando sus capacidades.
• El método demuestra un rendimiento superior al capturar relaciones matizadas dentro de datos sin etiquetar.