基于语义相关性正则化的增强零样本学习
机器学习
2017-07-26 v1
摘要
我们将零样本学习 (ZSL) 作为一个迁移学习问题进行研究，并重点关注 ZSL 的两个关键方面：模型有效性和模型适应性。为了有效建模，我们采用增强策略，从弱模型学习一个零样本分类器，直至形成一个强模型。为了实现可适应的知识迁移，我们设计了一种语义相关性正则化 (SCR) 方法来正则化增强模型，使其与类间语义相关性保持一致。通过将 SCR 嵌入到增强目标中，并采用自控样本选择以保证学习鲁棒性，我们提出了一个统一的框架，即基于语义相关性正则化的增强零样本分类 (BZ-SCR)。通过平衡 SCR 正则化的增强模型选择与自控样本选择，BZ-SCR 能够捕获判别性和适应性兼备的特征到类的语义对齐，同时确保所学样本的可靠性和适应性。在两个 ZSL 数据集上的实验表明，BZ-SCR 优于当前最先进的方法。
引用
@article{arxiv.1707.08008,
title = {Boosted Zero-Shot Learning with Semantic Correlation Regularization},
author = {Te Pi and Xi Li and Zhongfei and Zhang},
journal= {arXiv preprint arXiv:1707.08008},
year = {2017}
}
备注
7 pages; IJCAI 2017