广义零样本学习的模型选择

在广义零样本学习问题中，未知类的样本在训练期间不可用。广义零样本学习的主要挑战是不平衡的数据分布，这使得分类器难以区分给定测试样本是来自可见类还是不可见类。然而，使用生成对抗网络（GAN）通过不可见类的语义嵌入生成辅助数据点缓解了上述问题。当前方法将辅助数据点与原训练数据结合以训练广义零样本学习模型并取得了最先进的（SOTA）结果。受此类模型启发，我们提出通过模型选择机制来馈送生成的数据。具体而言，我们利用两类数据点（观测的与辅助的）训练某个分类器以识别哪些测试数据点来自可见类、哪些来自不可见类。如此，广义零样本学习可被划分为两个不相交的分类任务，从而减小不平衡数据分布的负面影响。我们在四个公开可用的广义零样本学习数据集上的评估表明，我们的模型取得了最先进的结果。