一种用于广义零样本学习的元学习框架

学习在测试时分类未见过类别的样本通常被称为零样本学习（ZSL）。若测试样本可来自训练（已见）类别以及未见类别，则由于存在对已见类别的强烈偏置，这是一个更具挑战性的问题。该问题一般被称为\emph{广义}零样本学习（GZSL）。得益于 VAE 和 GAN 等生成模型近期的进展，基于样本合成的方法因能解决此问题而受到相当关注。这些方法能够通过合成未见类别样本来处理类别偏置问题。然而，这些 ZSL/GZSL 模型受限于以下关键缺陷：$(i)$ 其训练阶段仅使用\emph{已见}类别数据学习类条件生成器，且训练阶段未\emph{显式}学习生成未见类别样本；$(ii)$ 它们未学习可轻易泛化于已见与未见类别生成的通用最优参数；$(iii)$ 若每已见类别仅有极少样本可用，这些模型往往表现不佳。本文提出一种基于元学习的生成模型，自然地处理了这些局限。所提模型基于将模型无关元学习（model-agnostic meta learning）与 Wasserstein GAN（WGAN）相集成以处理 $(i)$ 和 $(iii)$，并使用一种新颖任务分布来处理 $(ii)$。我们提出的模型在标准 ZSL 以及更具挑战性的 GZSL 设定上均取得显著改进。在 ZSL 设定下，我们的模型相较当前最优方法在 CUB、AWA1、AWA2 和 aPY 数据集上分别取得 4.5%、6.0%、9.8% 和 27.9% 的相对提升。