面向持续广义零样本学习的元学习属性自门控方法
计算机视觉与模式识别
2021-02-24 v1 人工智能
机器学习
机器学习
摘要
零样本学习(ZSL)已被证明是一种有前景的方法,通过利用类别属性将模型推广到训练时未见的类别,但挑战仍然存在。最近,使用生成模型来对抗训练时见过的类别偏置的方法推动了ZSL的最先进水平,但这些生成模型训练起来可能较慢或计算代价高昂。此外,虽然许多先前的ZSL方法假设对未见类别的一次性适应,但实际上世界总是在变化,需要对已部署模型进行持续调整。未准备好处理顺序数据流的模型很可能经历灾难性遗忘。我们提出一种元持续零样本学习(MCZSL)方法来解决这两个问题。具体而言,通过将属性自门控和缩放类别归一化与基于元学习的训练相结合,我们能够在以远快于昂贵的基于生成的方法()训练模型的同时,超越最先进的结果。我们通过在五个标准ZSL数据集(CUB、aPY、AWA1、AWA2和SUN)上,在广义零样本学习和广义持续零样本学习设置下进行实验证明了这一点。
引用
@article{arxiv.2102.11856,
title = {Meta-Learned Attribute Self-Gating for Continual Generalized Zero-Shot Learning},
author = {Vinay Kumar Verma and Kevin Liang and Nikhil Mehta and Lawrence Carin},
journal= {arXiv preprint arXiv:2102.11856},
year = {2021}
}
备注
Under Review