AutoNovel：視覚的カテゴリの自動発見と学習

画像コレクションにおいて、他のクラスのラベル付き例が与えられた状況下で、未知のクラスを発見する問題に取り組む。本研究では、以下の3つのアイデアを統合することでこの問題に対処する新アプローチ、AutoNovelを提案する。（1）従来のアプローチでは、ラベル付きデータのみを用いて画像表現をブートストラップする方法が用いられるが、これにより望ましくないバイアスが導入される可能性がある。この問題を回避するため、ラベル付きデータとラベルなしデータの結合データセット上で、自己教師学習（self-supervised learning）を用いて表現をゼロから学習することを提唱する。（2）ラベル付きクラスに関するモデルの知識を、ラベルなし画像のクラスタリング問題へ転移するために、ランキング統計（ranking statistics）を活用する。（3）ラベル付きデータとラベルなしデータの両サブセット上で、統合的な目的関数（joint objective function）を最適化することで、データ表現を学習する。これにより、ラベル付きデータの教師あり分類性能と、ラベルなしデータのクラスタリング性能の両方を向上させる。さらに、新たなカテゴリ数が事前に不明な場合に、クラス数を推定する手法も提案する。AutoNovelは標準的な分類ベンチマーク上で評価され、既存の最新手法と比較して顕著な性能向上を示した。また、完全に教師なしの画像クラスタリングにも応用可能であり、有望な結果を達成したことも示した。