本論文では、新規クラス発見（Novel Class Discovery: NCD）の問題について研究しています。NCDは、異なるが関連するクラスを含むラベル付きセットの事前知識を活用して、ラベルなしセット内の新しい物体カテゴリを推論することを目指しています。既存のアプローチでは、通常ラベル付きサンプルとラベルなしサンプルそれぞれに特化した損失項を含む複数の目的関数を考えることでこの問題に取り組んでいますが、しばしば補助的な正則化項が必要となります。本論文では、従来のスキームから一歩踏み出し、監督学習と非監督学習のシナジーを促進することを明確な目的として、新規クラス発見用の統一された目的関数（UNified Objective function: UNO）を導入します。マルチビュー自己ラベリング戦略を使用して疑似ラベルを生成し、これらを真のラベルと同様に扱うことで、既知および未知のクラスに対して単一の分類目的関数が作用します。そのシンプルさにもかかわらず、UNOはいくつかのベンチマークにおいて現行最良手法よりも大幅に優れた性能を示しています（CIFAR-100では約+10%、ImageNetでは+8%）。プロジェクトページは以下のURLでご覧いただけます：https://ncd-uno.github.io。