面向转归零样本学习的改进特征生成框架
计算机视觉与模式识别
2024-12-25 v1
摘要
特征生成对抗网络在零样本学习范式下已成为生成高质量无见类表示的强大生成模型。本文深入探讨了无见类先验在转归零样本学习（TZSL）框架中的关键影响，揭示了即便微小的先验偏差也会导致显著的准确率下降。我们通过大量分析发现，这一无效性根本源于采用无条件的无见类判别器——TZSL中的核心组件。进一步表明，除非生成器能完美拟合类别特定分布，否则该组件的负面影响不可避免。基于这些洞见，我们提出改进的特征生成框架，即I-VAEGAN，包含两种新颖组件：伪条件特征对抗学习（PFA）和变分嵌入回归（VER）。PFA通过精确语义回归后将预测语义作为伪条件显式注入无见类，从而无需先验估计；VER则利用重构预训练学习类别统计信息，以获得更好的语义回归。我们的I-VAEGAN在各种基准数据集和先验条件下实现了转归零样本学习的最新水平。本文代码将在接受后公开。
引用
@article{arxiv.2412.18282,
title = {Improved Feature Generating Framework for Transductive Zero-shot Learning},
author = {Zihan Ye and Xinyuan Ru and Shiming Chen and Yaochu Jin and Kaizhu Huang and Xiaobo Jin},
journal= {arXiv preprint arXiv:2412.18282},
year = {2024}
}