从任意处学习：以有限监督重新思考广义零样本学习
计算机视觉与模式识别
2021-07-15 v2 人工智能
机器学习
摘要
大多数零样本与少样本学习方法的一个共性问题是它们存在对可见类的偏置，导致次优性能。现有工作旨在训练期间利用来自不可见类的无标签图像（即直推式零样本）以实现泛化。然而，这限制了它们在目标不可见类数据不可用或难以收集的实际场景中的使用。在本工作中，我们提出一种归纳式零样本与少样本学习的实用设定，其中可使用来自其他域外类（不属于可见或不可见类别）的无标签图像来改善任意样本学习中的泛化能力。我们借助基于专家乘积的公式并引入新的 AUD 模块，使我们能够利用通常易于获取且实际上无需标注成本的域外类无标签样本。此外，我们还展示了模型在更具实用性与挑战性的有限监督设定下广义零样本学习中的适用性，其中即便基础可见类也没有充足的标注样本。
引用
@article{arxiv.2107.04952,
title = {Learn from Anywhere: Rethinking Generalized Zero-Shot Learning with Limited Supervision},
author = {Gaurav Bhatt and Shivam Chandhok and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2107.04952},
year = {2021}
}
备注
Accepted at IJCAI'21 workshop on Weakly Supervised Representation Learning