学习基于图的先验用于广义零样本学习
计算机视觉与模式识别
2020-10-23 v1
摘要
零样本学习（ZSL）任务要求正确预测训练时未见过类别的样本标签。这是通过利用关于类标签的辅助信息（如标签属性或词嵌入）来实现的。近来，注意力已转向更现实的广义 ZSL（GZSL）任务，其中测试集由可见与不可见样本组成。近期的 GZSL 方法显示了生成模型的价值，其用于生成不可见类别的样本。本工作中，我们引入了一种额外的辅助信息来源，即标签上的关系图。我们利用该图学习一组先验分布，以鼓励对齐的变分自编码器（VAE）模型学习尊重图结构的嵌入。使用该方法，我们能够在 CUB 和 SUN 基准上相较强基线取得性能提升。
引用
@article{arxiv.2010.11369,
title = {Learning Graph-Based Priors for Generalized Zero-Shot Learning},
author = {Colin Samplawski and Jannik Wolff and Tassilo Klein and Moin Nabi},
journal= {arXiv preprint arXiv:2010.11369},
year = {2020}
}
备注
Presented at AAAI 2020 Workshop on Deep Learning on Graphs: Methodologies and Applications (DLGMA'20)