演化式广义零样本学习
计算机视觉与模式识别
2024-05-14 v2 机器学习
神经与进化计算
摘要
基于属性的零样本学习(ZSL)彻底改变了模型识别训练时未见过新类的能力。然而,随着大规模模型的发展,期望也随之提高。除了仅实现零样本泛化外,对能够利用无标签数据在专家领域持续演化的通用模型需求日益增长。为此,我们引入该挑战的一个缩小版实例:演化式广义零样本学习(EGZSL)。该设定允许低性能的零样本模型适应测试数据流并在线演化。我们阐述了此特殊任务的三个挑战,即灾难性遗忘、初始预测偏差和演化数据类偏差。此外,我们针对每个挑战提出针对性解决方案,从而得到一种能从给定初始 IGZSL 模型持续演化的通用方法。在三个流行 GZSL 基准数据集上的实验表明,我们的模型能从测试数据流中学习,而其他基线方法则失败。代码见 \url{https://github.com/cdb342/EGZSL}。
引用
@article{arxiv.2211.13174,
title = {Evolutionary Generalized Zero-Shot Learning},
author = {Dubing Chen and Chenyi Jiang and Haofeng Zhang},
journal= {arXiv preprint arXiv:2211.13174},
year = {2024}
}
备注
IJCAI2024