基于耦合条件变分自编码器的广义零样本域适应

域适应方法旨在利用源域中更易获取监督学习样本的有用信息，以解决目标域中缺乏或仅有有限此类样本的学习问题。在分类问题中，域适应已在不同的监督、无监督和半监督条件下被研究。然而，当目标域类别的一个子集上有标记样本可用时的常见情形却被忽视了。在本文中，我们将这一特定的域适应问题在广义零样本学习框架下公式化，将带标记的源域样本视为零样本学习的语义表示。对于这一特定问题，传统的域适应方法以及零样本学习算法均不直接适用。为解决该广义零样本域适应问题，我们提出一种新颖的耦合条件变分自编码器（CCVAE），它可以从未见类别的源域对应特征生成合成的目标域特征。我们在三个域适应数据集上进行了大量实验，包括一个定制的 X 射线安检数据集以模拟航空安全中的真实应用。结果证明了我们所提方法相对于已有基准的有效性以及其在真实世界中的适用性。