面向多变量数据的基于聚类的零样本学习
机器学习
2020-07-02 v4 机器学习
摘要
监督学习需要包含全部标签的充足训练数据集。然而，存在某些类别未出现在训练数据中的情况。零样本学习（Zero-Shot Learning, ZSL）是预测训练数据中未出现类别（目标类别）的任务。现有ZSL方法针对图像数据展开。但零样本问题应发生于各类数据类型。因此，有必要考虑其他数据类型的ZSL。本文提出基于聚类的ZSL方法，作为多变量二分类问题的基线方法。所提方法基于如下假设：若数据远离训练数据，则该数据被视为目标类别。训练阶段对训练数据进行聚类；预测阶段判定数据是否属于某一聚类，若不属于任何聚类，则预测为目标类别。利用KEEL数据集对所提方法进行了评估与验证。本文已发表于《Journal of Ambient Intelligence and Humanized Computing》，最终版本见：https://link.springer.com/article/10.1007/s12652-020-02268-5
引用
@article{arxiv.2001.05624,
title = {Cluster-based Zero-shot learning for multivariate data},
author = {Toshitaka Hayashi and Hamido Fujita},
journal= {arXiv preprint arXiv:2001.05624},
year = {2020}
}
备注
J Ambient Intell Human Comput (2020)