arXiv new/cross; ICML 2026; generalized category discovery · P1 · 2026-07-02

Identifying Latent Concepts and Structures：它和通用视觉自监督的关系在于：把 open-world category discovery 的瓶颈定位为高秩、纠缠的 patch-token 表征，并显式构造 compositional primitive field...

中高相关；详见方法、贡献和实验边界。

Identifying Latent Concepts and Structures for Generalized Category Discovery　arXiv new/cross; ICML 2026; generalized category discovery　原文链接

编号2607.00620 优先级P1 类别arXiv new/cross; ICML 2026; generalized category discovery 会议arXiv new/cross; ICML 2026; generalized category discovery 方法把 open-world category discovery 的瓶颈定位为高秩、纠缠的 patch-token 表征，并显式构造 compositional primitive field 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 open-world category discovery 的瓶颈定位为高秩、纠缠的 patch-token 表征，并显式构造 compositional primitive field... 中高相关；详见方法、贡献和实验边界。

**Figureure 2 · Overview of CPF**Figure 2. Overview of CPF. CPF is placed at the backbone-head interface. It rewrites noisy patch tokens through a compact primitive codebook and adaptive assignment fields, then returns a refined token representation to a standard GCD head.这张图概括 Identifying Latent Concepts and Structures 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**(b) H(R) of fine-grained datasets Figure 5**(b) H(R) of fine-grained datasets Figure 5. Comparison between rank<sub>99</sub>(R) and H(R). Here, rank<sub>99</sub>(R) is the count of the largest eigenvalues needed to account for 99% of the total eigenvalue energy.这张图/表用于判断 Identifying Latent Concepts and Structures 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：把 open-world category discovery 的瓶颈定位为高秩、纠缠的 patch-token 表征，并显式构造 compositional primitive field。

方法拆解

把 open-world category discovery 的瓶颈定位为高秩、纠缠的 patch-token 表征，并显式构造 compositional primitive field

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。