اكتشاف الفئات المعمم (GCD) يهدف إلى اكتشاف فئات جديدة في مجموعات البيانات غير المصنفة باستخدام المعرفة المستفادة من العينات المصنفة. وقد حجّت الدراسات السابقة بأن تصنيفات المعلمات معرّضة للتكيف الزائد مع الفئات المعروفة، ودعمت استخدام تصنيف غير معلمي يتم تكوينه باستخدام k-means شبه مستقل. ومع ذلك، في هذه الدراسة، نستكشف أسباب فشل تصنيفات المعلمات، نتحقق من فعالية الخيارات التصميمية السابقة عند توفر الإشراف عالي الجودة، ونحدد أن التسميات الوهمية غير الموثوقة هي مشكلة رئيسية. نثبت وجود نوعين من التحيز في التنبؤ: يميل المصنف إلى توقع الفئات المعروفة بشكل أكثر تكرارًا، وينتج توزيعًا غير متوازن بين الفئات المعروفة والجديدة. استنادًا إلى هذه النتائج، نقترح طريقة بسيطة ولكنها فعالة لتصنيف المعلمات تستفيد من تنظيم الإنتروبيا (الانتروبية)، وتحقق أداءً رائدًا على عدة مقاييس لـ GCD وتظهر قوة صلابة أمام عدم معرفة عدد الفئات. نأمل أن تسهم هذه الدراسة والاطار العمل البسيط المقترح كأساس قوي يساعد على تسهيل الدراسات المستقبلية في هذا المجال. الرمز البرمجي متاح على الرابط التالي: https://github.com/CVMI-Lab/SimGCD.