面向广义零样本学习的实例自适应原型对比嵌入

广义零样本学习（GZSL）旨在对来自可见和不可见标签的样本进行分类，假设不可见标签在训练期间不可访问。GZSL 的最新进展通过将在生成网络中基于对比学习（基于实例）的嵌入与利用数据点之间的语义关系相结合而加速。然而，现有的嵌入架构存在两个局限：（1）未考虑细粒度簇结构，导致合成特征嵌入的可判别性有限；（2）由于现有对比嵌入网络上受限的缩放机制导致优化不灵活，进而造成嵌入空间中表示重叠。为提升嵌入空间中表示的质量，如（1）所述，我们提出了一种基于边界的原型对比学习嵌入网络，该网络利用了原型-数据（簇质量增强）和隐式数据-数据（细粒度表示）交互的优势，同时为嵌入网络和生成器提供充分的簇监督。为应对（2），我们提出了一种实例自适应对比损失，其能为不可见标签带来具有更大类间边界的泛化表示。通过全面的实验评估，我们表明我们的方法在三个基准数据集上优于当前最先进水平。我们的方法在 GZSL 设定下也始终取得最佳的不可见性能。