AMS-SFE：面向零样本学习的基于语义特征扩展的流形结构对齐方法
机器学习
2019-04-15 v1 机器学习
摘要
零样本学习（ZSL）旨在利用从已见类迁移来的知识识别未见类。这通常通过利用已见类和未见类共享的语义特征空间（FS，如属性或词向量）作为桥梁来实现。然而，由于训练（已见）数据与测试（未见）数据相互不相交，现有的 ZSL 方法容易且普遍遭受域偏移问题。为解决此问题，我们提出了一种称为 AMS-SFE 的新模型。它考虑了通过语义特征扩展实现的流形结构对齐。具体而言，我们构建了一个基于自编码器的模型来扩展语义特征，并与从数据的视觉 FS 中提取的嵌入流形进行对齐。这是首次尝试通过扩展语义特征来对齐这两个 FS。大量实验表明，与其他现有方法相比，我们的模型取得了显著的性能提升。
引用
@article{arxiv.1904.06254,
title = {AMS-SFE: Towards an Alignment of Manifold Structures via Semantic Feature Expansion for Zero-shot Learning},
author = {Jingcai Guo and Song Guo},
journal= {arXiv preprint arXiv:1904.06254},
year = {2019}
}