基于独立学习语义嵌入的零样本分类的邻域敏感映射

在传统设定中，分类器被训练以逼近目标函数$f:X \rightarrow Y$，其中至少每个$y \in Y$的一个样本被呈现给训练算法。在零样本设定中，我们有一个标签子集$\hat{Y} \subset Y$，我们未观察到任何对应的训练实例。尽管如此，我们训练的函数$f$必须能够正确分配标签于$\hat{Y}$上。实际上，零样本问题非常重要，尤其是当标签集很大且编辑性地为标签集中所有可能值标注样本的成本可能高得令人望而却步时。大多数近期的零样本学习方法基于使用语义嵌入寻找并利用标签间关系。我们在本文中展示，语义嵌入尽管非常善于捕获标签间关系，却不擅长以数据依赖的方式捕获标签间的关系。为此，我们提出一种学习零样本分类器的新型两步过程。第一步，我们学习所谓的属性嵌入空间（property embedding space），捕获标签集的“可学习”特征。然后，我们利用习得的属性来减少基于线性最近邻分类器的泛化误差。