利用分组对抗学习解决零样本学习中的目标偏移问题
机器学习
2020-06-17 v2 计算机视觉与模式识别
机器学习
摘要
零样本学习（ZSL）算法通常利用属性相关性来对未见类进行预测。然而，在大多数实际场景中这些相关性在测试时并不保持完好，且由此引发的相关性变化会对零样本学习性能产生不利影响。本文提出一种 ZSL 新范式：(i) 利用未见类的类-属性映射来估计目标分布的变化（目标偏移）；(ii) 提出一种称为分组对抗学习（gAL）的新技术以减轻该偏移的负面影响。我们的方法广泛适用于若干现有 ZSL 算法，包括那些具有隐式属性预测的算法。我们将所提技术（AL）应用于三种流行的 ZSL 算法：ALE、SJE 和 DEVISE，并在 4 个流行 ZSL 数据集：AwA2、aPY、CUB 和 SUN 上展示性能提升。我们在 SUN 和 aPY 数据集上取得 SOTA 结果，并在 AwA2 上获得可比结果。
引用
@article{arxiv.2003.00845,
title = {Addressing target shift in zero-shot learning using grouped adversarial learning},
author = {Saneem Ahmed Chemmengath and Soumava Paul and Samarth Bharadwaj and Suranjana Samanta and Karthik Sankaranarayanan},
journal= {arXiv preprint arXiv:2003.00845},
year = {2020}
}
备注
Under submission at Neurips 2020