전체 자료의 자기지도 표현
표지가 있는 자료만으로 초기 표현을 학습하면 원치 않는 편향이 생길 수 있다고 본다. 표지 자료와 무표지 자료를 합친 전체 집합에서 자기지도 학습으로 처음부터 표현을 만드는 방식을 제안했다.
순위 통계와 공동 목적
순위 통계로 기존 표지 클래스의 지식을 무표지 영상 군집화에 전달한다. 두 자료 부분집합에 걸친 공동 목적 함수를 최적화해 지도 분류와 무표지 자료의 군집화를 함께 개선한다.
범주 수와 비지도 군집
새 클래스 수를 미리 알지 못하는 경우 그 수를 추정하는 방법도 제안했다. 표준 분류 벤치마크의 신규 범주 발견뿐 아니라 완전 비지도 영상 군집화에 사용하는 경우도 평가했다.
관련 문서
자기지도 학습 / 군집화 / 표현 학습 / 일반화 범주 발견 / UNO 신규 클래스 발견 / SimGCD