通过同步生成与学习的零样本学习
机器学习
2019-10-22 v1 机器学习
摘要
为克服未见类训练数据缺失的问题，传统的零样本学习方法主要在已见数据点上训练模型，并利用已见类与未见类的语义描述。除利用已见类与未见类之间的关系外，我们提出一种深度生成模型，为模型提供关于已见类与未见类的经验。基于具有类特定多模态先验的变分自编码器，所提方法学习已见类与未见类的条件分布。为避免对未见类样本的需求，我们将不存在的数据视为缺失样本。即，我们的网络旨在通过迭代执行生成与学习策略，寻找最优的未见数据点及模型参数。由于我们得到了已见类与未见类的条件生成模型，分类与生成均可直接完成，无需任何现成分类器。实验结果表明，我们提出的生成与学习策略使模型相比仅在已见类上训练的方法以及若干最先进（state-of-the-art）方法取得了更优结果。
引用
@article{arxiv.1910.09446,
title = {Zero-shot Learning via Simultaneous Generating and Learning},
author = {Hyeonwoo Yu and Beomhee Lee},
journal= {arXiv preprint arXiv:1910.09446},
year = {2019}
}
备注
To appear in the proceeding of NeurIPS 2019