为广义零样本学习学习组合空间
机器学习
2021-08-31 v3 机器学习
摘要
本文研究广义零样本学习（G-ZSL）问题，其目标是在测试时分类属于可见类与不可见类的实例。我们提出一种新颖的空间分解方法以解决 G-ZSL。一些先前具有空间分解操作的模型仅校准源类的置信预测（W-SVM [46]）或将目标类实例视为离群点 [49]。相反，我们提出直接估计并微调源类与目标类之间的决策边界。具体而言，我们提出一个框架，通过将实例划分为源空间、目标空间与不确定空间并在各空间中执行识别来学习组合空间，其中不确定空间包含无法被置信预测标签的实例。我们使用两种统计工具，即自助法（bootstrapping）与 Kolmogorov-Smirnov（K-S）检验，为 G-ZSL 学习组合空间。我们在多个 G-ZSL 基准上广泛验证本方法，其取得了当前最优（state-of-the-art）性能。
引用
@article{arxiv.1810.07368,
title = {Learning the Compositional Spaces for Generalized Zero-shot Learning},
author = {Hanze Dong and Yanwei Fu and Sung Ju Hwang and Leonid Sigal and Xiangyang Xue},
journal= {arXiv preprint arXiv:1810.07368},
year = {2021}
}
备注
10 pages, 2 figures