基于生成的零样本模型的拆解
计算机视觉与模式识别
2023-03-08 v3 机器学习
摘要
近期关于广义零样本学习（GZSL）的研究主要集中于基于生成的方法。然而，现有文献忽视了这些方法的基本原理，并以复杂的方式取得了有限的进展。本文旨在拆解生成器-分类器框架，并为其改进与扩展提供指导。我们首先将生成器学习到的未见类分布分解为类级分布与实例级分布。通过分析这两类分布在解决 GZSL 问题中的作用，我们概括了基于生成方法的关注点，强调了（i）生成器学习中的属性泛化与（ii）基于部分有偏数据的独立分类器学习的重要性。我们基于该分析提出了一种简单方法，在四个公开 GZSL 数据集上优于 SOTA，证明了我们拆解的有效性。此外，即便没有生成模型，我们所提方法依然有效，代表着向简化生成器-分类器结构迈出了一步。我们的代码见 \url{https://github.com/cdb342/DGZ}。
引用
@article{arxiv.2204.11280,
title = {Deconstructed Generation-Based Zero-Shot Model},
author = {Dubing Chen and Yuming Shen and Haofeng Zhang and Philip H. S. Torr},
journal= {arXiv preprint arXiv:2204.11280},
year = {2023}
}
备注
AAAI 2023