零样本回归的直接侧信息学习

零样本学习为不可观测目标提供模型，这些目标没有可用的实例。在此背景下，目标侧信息的可用性至关重要，以便为这些目标正确地诱导模型。文献中有大量策略来应对这一场景，但大多数是基于零样本分类场景设计的，主要用于计算机视觉和图像分类，但它们要么不可应用，要么难以扩展到用于零样本回归框架，因为需要预测连续值而非标签。事实上，针对零样本回归的方法在文献中严格不足。最近提出的两种零样本回归方法以两个阶段的程序运行。它们首先通过经典回归学习忽略目标侧信息来学习观察到的目标模型，然后通过聚合那些观察到的目标模型来学习，同时利用目标侧信息和对不可观测目标的模型进行诱导。尽管两种方法都表现良好，因为它们对常见特征和侧信息的处理不同，但它们分别利用特征和侧信息，避免对提供不可观测目标模型的全局优化。在本文中，我们提出了一种新方法，该方法在一个阶段的学习过程中联合地考虑特征和侧信息，但以更恰当的方式来处理侧信息。为此，我们提出了一种特定的核，用于将特征和侧信息正确地合并，从而产生一种表现优于人工数据集和真实数据集的新方法。