可逆零样本识别流

深度生成模型近来已成功应用于零样本学习（ZSL）。然而，GAN 与 VAE 的固有缺陷（例如难以结合面向 ZSL 的正则项进行训练，以及有限的生成质量）阻碍了现有生成式 ZSL 模型彻底规避已见-未见偏差。为应对上述局限，本工作首次将一类新的生成模型（即基于流的模型）引入 ZSL。所提出的可逆零样本流（IZF）利用可逆流网络的前向传播学习因子化数据嵌入（即语义因子与非语义因子），而反向传播生成数据样本。该过程在理论上将常规生成流扩展为因子化条件形式。为显式解决偏差问题，我们的模型基于负样本距离度量放大已见-未见分布差异。值得注意的是，IZF 可灵活搭配朴素贝叶斯分类器或留出的可训练分类器进行零样本识别。在广泛采用的 ZSL 基准上的实验表明，IZF 在经典与广义设定下均相较现有方法取得显著性能提升。