基于合成样本的广义零样本学习

我们提出了一种用于广义零样本学习的生成式框架，其中训练类与测试类不一定互不相交。我们的模型构建于基于变分自编码器的架构之上，该架构由一个概率编码器和一个概率条件解码器组成，能够在给定各类相应类属性的情况下，从可见/不可见类中生成新的样本。这些样本随后可用于训练任何现成的分类模型。我们编码器-解码器架构的关键方面之一是一种反馈驱动机制，其中判别器（一个多元回归器）学习将生成的样本映射到对应的类属性向量，从而改进生成器。我们的模型能够生成并利用来自不可见类的样本来训练分类模型，这自然有助于缓解广义零样本学习设定中偏向于预测可见类的问题。通过一组全面的实验，我们表明在多个基准数据集上，针对标准以及广义零样本学习，我们的模型均优于若干最先进（state-of-the-art）方法。