基于生成回放的持续零样本学习
计算机视觉与模式识别
2021-06-08 v2 机器学习
摘要
零样本学习是一种对训练时不可用的类别对象进行分类的新范式。零样本学习（ZSL）方法因能分类未见/新颖类别样本而近年备受关注。现有ZSL方法大多假设所有可见类别样本均可用于训练模型，这并不符合真实场景。本文通过开发一种基于生成回放的持续零样本学习（GRCZSL）来解决这一障碍。所提方法赋予传统ZSL从流数据学习并在不遗忘先前任务所获经验的情况下获取新知识的能力。我们通过回放先前任务中出现过的可见类别的合成样本，来处理GRCZSL中的灾难性遗忘。这些合成样本使用在紧邻的上一个任务上训练的条件变分自编码器（VAE）合成。此外，我们在任意时刻仅需当前和紧邻前一个VAE用于训练和测试。所提GRZSL方法针对持续学习的单头设置开发，模拟真实世界问题设置。在该设置中，任务身份在训练时给定但测试时不可用。GRCZSL性能在五个基准数据集上针对ZSL的广义设置以及持续学习的固定与动态（增量类别）设置进行了评估。文献中近期提出的现有类别设置并不适用于类增量设置。因此，本文提出一种新设置以解决该问题。实验结果表明，所提方法显著优于基线和最先进方法，并使其更适用于真实世界应用。
引用
@article{arxiv.2101.08894,
title = {Generative Replay-based Continual Zero-Shot Learning},
author = {Chandan Gautam and Sethupathy Parameswaran and Ashish Mishra and Suresh Sundaram},
journal= {arXiv preprint arXiv:2101.08894},
year = {2021}
}