语义归纳属性选择用于零样本学习

零样本学习是通用人工智能系统中的重要范式，尤其适用于那些必须动态适应新任务的开放世界场景。语义空间在这里发挥关键作用，因为它们桥接了已见类和未见类，但无论是人工标注还是由机器学习模型生成，往往包含噪声、冗余或无关属性，均会阻碍性能。为此，我们引入一种分区方案，模拟归纳设置下的未见条件（这是最具挑战性的设置），允许在不访问未见类语义信息的情况下评估属性相关性。在此框架下，我们研究了两种互补的特征选择策略并进行了泛化性评估。第一种方法将嵌入式特征选择适应ZSL的特殊需求，将模型驱动的排序转化为有意义的语义修剪；第二种方法则利用演化计算直接探索属性子集的空间。实验在五个基准数据集（AWA2、CUB、SUN、aPY、FLO）上进行，结果表明两种方法均通过减少冗余性在未见类上持续提高准确率，但采取互补方式：RFS方法高效且具竞争力，虽依赖关键超参数；GA方法成本更高，但更广泛地探索搜索空间，避免了此类依赖。这些结果确认语义空间本质上存在冗余，并突出了在归纳条件下精炼其的分区方案是有效的工具。