MAC：多属性组合零样本学习基准
数论
2026-01-29 v4
摘要
组合零样本学习（CZSL）旨在从已见组合中学习语义基本要素（属性和对象），并识别未见的属性-对象组合。现有的 CZSL 数据集关注单一属性，忽视了对象自然呈现多个相互关联属性的事实。其狭窄的属性范围和单属性标注引入了标注偏差，误导属性的学习，导致评估不准确。为此，我们引入了多属性组合（MAC）数据集，包含 22,838 张图片和 17,627 个组合，涵盖全面且具代表性的属性标注。MAC 显示出属性与对象之间复杂的关系，其中每种属性类型与平均 82.2 种对象类型相关联，每种对象类型与 31.4 种属性类型相关联。基于 MAC，我们提出了多属性组合零样本学习，需要更深入的语义理解和更先进的属性关联，为 CZSL 建立更真实、更具挑战性的基准。我们还提出了多属性视觉基本要素集成器（MVP-Integrator），一种用于多属性 CZSL 的稳健基线，该方法解�od 语义基本要素并实现有效的视觉基本要素关联。实验结果表明，MVP-Integrator 在 MAC 上显著优于现有 CZSL 方法，推理效率也得到提高。
引用
@article{arxiv.2406.12758,
title = {Small solutions to inhomogeneous and homogeneous quadratic congruences modulo prime powers},
author = {Stephan Baier and Arkaprava Bhandari and Anup Haldar},
journal= {arXiv preprint arXiv:2406.12758},
year = {2026}
}
备注
20 pages