超过程模型：一种基于形状分析的回归问题零样本学习算法

零样本学习（ZSL）可定义为在无可用的训练数据情况下，基于从不同但相关任务中先前获取的知识正确解决某项任务。迄今为止，该领域主要吸引了计算机视觉界的关注，其中需要对新的未见图像进行正确分类，且假设目标类别未用于训练过程。除图像分类外，仅提出了少数适用于分类与回归的通用方法。这些方法学习模型系数间的关系，从而可根据提供的条件预测新系数。据我们所知，迄今为止尚不存在仅适用于回归并利用该设定的方法。因此，本工作提出了一种用于回归问题的新算法，其使用从已训练模型抽取的数据而非模型系数。在此情况下，对数据执行形状分析以创建统计形状模型并生成新形状来训练新模型。所提算法在使用beta分布的理论设定中进行了测试，其中待解决的主要问题是估计一个基于已学习的不同但相关曲线来预测曲线的函数。