基于少样本的生成式零样本学习
机器学习
2025-07-03 v1
摘要
生成式零样本学习（ZSL）方法通常通过预定义的语义属性合成未知类的视觉特征，然后训练受监督的分类模型。虽然有效，但这些方法需要大量计算资源和大量合成数据，从而放宽了原始 ZSL 的假设。在本文中，我们提出 FSIGenZ，一个 few-shot 启发的生成式 ZSL 框架，以减少对大规模特征合成的依赖。我们的关键见解是，类级属性 exhibits instance-level 可变性，即某些属性可能缺失或部分可见，但常规 ZSL 方法将其视为统一存在。为此，我们引入 Model-Specific Attribute Scoring (MSAS)，该方法基于模型特定的优化动态重新对类属性进行评分，以approximate instance-level 可变性而无需访问未知数据。我们进一步估计基于 MSAS 调整后的属性评分聚类的 group-level 雏形，作为每个未知类的代表性合成特征。为缓解由此导致的数据不平衡，我们引入 Dual-Purpose Semantic Regularization (DPSR) 策略，同时训练一个 semantic-aware 对比分类器 (SCC)。在 SUN、AwA2 和 CUB 数据集上的实验表明，FSIGenZ 使用 far fewer 合成特征即可实现具竞争力的性能。
关键词
引用
@article{arxiv.2507.01026,
title = {Few-Shot Inspired Generative Zero-Shot Learning},
author = {Md Shakil Ahamed Shohag and Q. M. Jonathan Wu and Farhad Pourpanah},
journal= {arXiv preprint arXiv:2507.01026},
year = {2025}
}