面向零样本学习的任务对齐生成元学习
计算机视觉与模式识别
2021-03-04 v1 机器学习
摘要
零样本学习（ZSL）指的是学习对训练集（已见类）中缺失的新类别（未见类）实例进行分类的问题。大多数ZSL方法推断视觉特征与属性之间的相关性来训练未见类的分类器。然而，此类模型在训练时可能对已见类有强偏差。元学习被引入以缓解该偏差，但当用于训练的任务采样自多样分布时，元-ZSL方法不适用。为此，我们提出一种新颖的面向零样本学习的任务对齐生成元学习模型（TGMZ）。TGMZ缓解了潜在的偏差训练，并使元-ZSL能够适应包含多样分布的真实世界数据集。TGMZ结合了属性条件的任务级分布对齐网络，将任务投影到统一分布以交付无偏模型。我们与最先进算法的比较显示，TGMZ在AWA1、AWA2、CUB和aPY数据集上分别实现了2.1%、3.0%、2.5%和7.6%的提升。TGMZ在广义零样本学习（GZSL）设定下也以3.6%优于竞争者，在我们提出的融合-ZSL设定下以7.9%优于竞争者。
引用
@article{arxiv.2103.02185,
title = {Task Aligned Generative Meta-learning for Zero-shot Learning},
author = {Zhe Liu and Yun Li and Lina Yao and Xianzhi Wang and Guodong Long},
journal= {arXiv preprint arXiv:2103.02185},
year = {2021}
}