딥 인코더(deep encoder)를 공유하는 것만으로는 태스크 비교 점수의 핵심적인 교란 요인(confound)을 해결하지 못한다. 본 연구에서는 고정된 공유 표현 위에서 교차 평가된 헤드들이 얕은 교환 점수(shallow exchange score)의 외삽 교란을 그대로 물려받음을 보인다. 고정된 레이블 상태에서 순수한 입력 회전만으로도 딥 교환 점수가 약 0에서 0.80으로 부풀려지는 반면, 표현 새로움 점수(representation-novelty score)는 상보적인 방향에서 맹점을 드러낸다(태스크를 완전히 변경하는 레이블 순열 치환에서도 변화가 없음). 조건부 2-판별자 불일치(conditional two-discriminator discrepancy)를 임베딩 공간으로 이식하면 두 맹점이 모두 해결된다. 즉, 기능적 축은 회전 시에도 ±0.001 이내를 유지하며, 레이블 순열 드리프트 질량을 단조롭게 추적한다. 헤드 혼합(mixture-of-heads) 라이프사이클에 구축된 이 2축 게이트는 동일한 학습 예산 하에서 교환 또는 새로움 트리거보다 더 적은 수의 헤드로 더 우수한 결정 품질을 달성한다. 일반화된 카테고리 발견(generalized category discovery)에서, 입력별 OOD 점수(MSP, Energy, Mahalanobis, KNN)가 해당 구분을 거의 무작위 수준으로 수행하는 반면, 동일한 청크 단위 기능적 축은 의미론적 새로움과 측광학적 변화(photometric shift)를 AUROC 0.98~0.99로 분리한다. 모든 연구 결과는 CIFAR-100에서 고정된 ImageNet-21k ViT-B/16 및 자기지도학습 DINOv2 백본 전반에 걸쳐 재현되며, 순환(recurrence) 구조를 가진 잔차 어댑터 풀로도 확장된다. 여기서 영점 보정된 새로움 트리거는 메커니즘 변화에 전혀 작동하지 않지만, 2축 게이트는 완전한 순환 재사용을 통해 이를 처리한다. 마지막으로, 임베딩 공간의 결론이 원래 메커니즘으로 전이되기 위한 공통 인수분해 조건(common-factoring condition)을 명시적으로 제시한다.
깊은 인코더를 공유한다고 해서 그 자체만으로 과제 비교 점수의 핵심 교란(confound)을 해소하지는 못한다. 우리는 고정된 공유 표현 위에서 교차 평가된 head가 얕은 exchange 점수의 외삽(extrapolation) 교란을 그대로 물려받음을 보인다. 레이블은 고정한 채 순수 입력 회전만 적용하면 깊은 exchange 점수가 약 0에서 0.80까지 부풀어 오르는 반면, 표현-신규성(novelty) 점수는 상보적인 방향에서는 맹점이 있다(과제를 완전히 바꾸는 레이블 순열 아래에서는 평평하게 유지된다). 조건부 이중 판별자(two-discriminator) discrepancy를 임베딩 공간으로 이식하면 두 맹점을 모두 해소한다. 기능(functional) 축은 회전 아래에서 ±0.001 이내로 유지되고, 레이블 순열 드리프트 질량(drift mass)을 단조적으로 추적한다. mixture-of-heads 수명주기에 통합하면 두 축 게이트(two-axis gate)는 동일 학습 예산에서 exchange 또는 novelty 트리거보다 더 적은 head로 더 나은 의사결정 품질을 달성한다. 일반화된 범주 발견(generalized category discovery)에서는 동일한 청크 수준(chunk-level) 기능 축이 AUROC 0.98–0.99로 의미적 신규성(semantic novelty)과 photometric shift를 분리하는데, 입력별 OOD 점수(MSP, Energy, Mahalanobis, KNN)는 그 구분에 대해 거의 우연(chance) 수준에 머문다. 모든 결과는 CIFAR-100에서 frozen ImageNet-21k ViT-B/16과 자기지도(self-supervised) DINOv2 백본에서 재현되며, recurrence를 갖는 residual adapter pool로도 확장된다. null 보정 novelty 트리거는 메커니즘 변화에서 한 번도 발화하지 않는 반면, 두 축 게이트는 recurrence를 전부 재사용하여 이를 처리한다. 임베딩 공간에서의 결론이 원래 메커니즘으로 전이되기 위한 공통 요인화(common-factoring) 조건을 명시적으로 기술한다.
즉석 카테고리 발견(on-the-fly category discovery)은 각 incoming 테스트 샘플에 대해 기존 카테고리에 할당할지 새 카테고리를 생성할지 결정하는 것을 요구한다. 기존 방법들은 일반적으로 반경(radius) 기반 또는 해시(hash) 기반 규칙과 같은 매칭 기반 휴리스틱(matching-based heuristics)을 통해 이 결정을 구현한다. 실무에서 효과적이지만, 이러한 방법들은 보통 카테고리 생성(category birth)을 자체 통계적 증거(statistical evidence)로 뒷받침되는 명시적 대안으로 다루기보다, 기존 카테고리와 자신 있게 일치하지 않을 때의 암묵적 대안(fallback)으로 취급한다. 이를 해결하기 위해, 우리는 Normal-Inverse-Wishart(NIW) 사전(prior)을 갖는 온라인 디리클레 프로세스 가우시안 혼합 모델(online Dirichlet-process Gaussian mixture model)에 기반한 사후 예측(posterior-predictive) 의사결정 프레임워크인 DP-BOA를 제안한다. 학습(training) 동안, 우리는 라벨이 있는 데이터를 사용하여 카테고리 가우시안(category Gaussians)에 대한 공유 NIW 사전을 보정(calibrate)하고 알려진 카테고리의 사후 분포(posteriors)를 웜스타트(warm-start)한다. 테스트 시점에, 각 incoming 샘플에 대해 DP-BOA는 기존 카테고리에 할당할 때의 사후 예측 증거(posterior predictive evidence)를 DP 사전이 유도하는 새 카테고리 생성에 대한 증거와 비교한 뒤, 결정 후 카테고리 통계를 온라인으로 갱신한다. 이 방법은 이방성(anisotropic) 카테고리 기하(category geometry)를 포착하고, 증거가 축적됨에 따라 의사결정 신뢰도(decision confidence)를 자연스럽게 조정한다. 표준 OCD 벤치마크(benchmark) 전반에서 DP-BOA는 강력한 베이스라인(baselines)들을 일관되게 능가하며, 경쟁력 있는 알려진 클래스(known-class) 정확도(accuracy)를 유지하면서 특히 새로운 클래스(novel-class) 발견 성능에서 두드러진 결과를 보인다.
일반화 범주 발견(GCD)은 레이블 없는 데이터에서 기존 범주를 분류하고 새로운 범주를 발견하는 것을 목표로 한다. 최근 멀티모달 접근법들은 검색되거나 합성된 텍스트를 듀얼-브랜치 아키텍처에 도입하여 시각적 특징을 보완하는 의미적 단서를 제공한다. 그러나 기존 듀얼-브랜치 방법의 크로스모달 시너지는 여전히 거칠고 불완전하다. 두 모달리티는 독립적으로 인코딩되며, 인코딩 과정에서 도출된 텍스트의 바이어스와 노이즈가 해결되지 않은 채 남아 있고, 기존 상호 학습 전략은 전역적인 클래스 수준 앵커에서만 작동하여 세밀한 관계적 감독이 부족하다. 이러한 한계를 해결하기 위해, GET 및 TextGCD와 같은 기존 듀얼-브랜치 방법과 호환되는 플러그 앤 플레이(plug-and-play) 향상으로 작동하는 시너지적 듀얼-브랜치 적응(SDBA) 프레임워크를 제안한다. SDBA는 두 가지 구성 요소로 이루어진다. 크로스모달 시너지 어댑터는 두 분기 모두에 경량 어댑터를 삽입하고, 각 인코더 층에서 텍스트 어댑터에 시각 정보를 추가로 주입하여 인코딩 중 텍스트 특징 학습을 향상시킨다. 이웃 상호 학습 모듈은 양방향 KL 발산(KL divergence)을 통해 두 분기 간 일관된 지역 이웃 분포를 강제하여, 기존 및 새로운 클래스 모두에 세밀한 관계적 감독을 제공한다. 6개 벤치마크에 대한 광범위한 실험은 최신(state-of-the-art) 성능을 보여주며, 다양한 베이스라인에서의 일관된 개선은 제안 프레임워크의 광범한 확장성을 검증한다.