面向广义组合零样本学习的平移概念嵌入
计算机视觉与模式识别
2021-12-22 v1
摘要
广义组合零样本学习是指以零样本方式学习属性-对象对的组合概念，其中模型在一组可见概念上训练，并在可见与不可见概念的组合集上测试。该任务非常具有挑战性，不仅因为可见与不可见概念之间的鸿沟，还因为属性与对象之间的上下文依赖。本文引入一种称为平移概念嵌入的新方法，在统一框架中解决这两大困难。它将属性作用于对象的效果建模为向对象原型添加一个平移属性特征。我们通过生成以对象原型为条件依赖的平移属性特征，显式考虑了属性与对象之间的上下文依赖。此外，我们设计了一个比率方差约束损失以提升模型在不可见概念上的泛化能力。该损失利用预训练词嵌入中的知识来正则化概念间的距离。我们在无偏和有偏概念分类任务下评估了模型性能，表明我们的模型能够在预测不可见和可见概念时取得良好平衡。
引用
@article{arxiv.2112.10871,
title = {Translational Concept Embedding for Generalized Compositional Zero-shot Learning},
author = {He Huang and Wei Tang and Jiawei Zhang and Philip S. Yu},
journal= {arXiv preprint arXiv:2112.10871},
year = {2021}
}