基于开箱数据属性选择提升零样本学习的泛化能力
计算机视觉与模式识别
2019-10-29 v2
摘要
零样本学习（ZSL）旨在通过在不同对象间共享属性信息，在给定若干已见对象（训练类）的情况下识别未见对象（测试类）。在近期 ZSL 任务中，属性由人工标注并被视为同等重要。然而，一些可预测性或可判别性较差的劣质属性可能对 ZSL 系统性能产生负面影响。本文首先推导了 ZSL 任务的泛化误差界。我们的理论分析证实，相较于利用全部属性的原始 ZSL 模型，选择关键属性子集能够提升其泛化性能。遗憾的是，以往的属选方法均基于已见数据开展，其所选属性对未见数据的泛化能力较弱，而在 ZSL 任务的训练阶段未见数据是不可获取的。受伪相关反馈学习的启发，本文引入由属性引导生成模型生成的伪数据——开箱数据（out-of-the-box data），以模拟未见数据。此后，我们提出一种迭代属性选择（IAS）策略，基于开箱数据迭代地选择关键属性。由于生成的开箱数据分布与测试数据相似，IAS 所选的关键属性能够有效泛化至测试数据。大量实验表明，IAS 能显著改进现有的基于属性的 ZSL 方法，并取得最先进的性能。
引用
@article{arxiv.1907.11397,
title = {Improving Generalization via Attribute Selection on Out-of-the-box Data},
author = {Xiaofeng Xu and Ivor W. Tsang and Chuancai Liu},
journal= {arXiv preprint arXiv:1907.11397},
year = {2019}
}
备注
Accepted by Neural Computation