一种用于零样本学习的简单指数族框架

我们提出一个简单的生成式框架，用于学习预测先前未见过的类别，该框架基于估计由类别属性门控的类别条件分布。我们将每个类别条件分布建模为指数族分布，每个已见/未见类别的分布参数定义为相应观测类别属性的函数。这些函数可以仅使用已见类别数据学习，并可用于预测每个未见类别的类别条件分布参数。与大多数现有零样本学习方法将类别表示为某个向量空间中的固定嵌入不同，我们的生成模型自然地将每个类别表示为一个概率分布。它实现简单，还允许利用来自未见类别的额外无标签数据，通过直推式/半监督学习改进其类别条件分布的估计。此外，当提供少量来自未见类别的额外带标签样本时，它通过轻松更新这些分布无缝扩展到小样本学习。通过在多个基准数据集上的全面实验，我们证明了该框架的有效性。