从零开始的零样本学习(ZFS)：利用局部组合式表征
计算机视觉与模式识别
2020-10-27 v1 机器学习
摘要
零样本分类是一种泛化任务，在训练期间未见到来自目标类的任何实例。为了实现测试时的迁移，每个类都标注了语义信息，通常以属性或文本描述的形式给出。虽然经典的零样本学习并未明确禁止利用来自其他数据集的信息，但在图像基准上取得最佳绝对性能的方法依赖于从在 Imagenet 上预训练的编码器提取的特征。这种方法依赖于来自监督分类设定的高度优化的 Imagenet 相关参数，将关于这些参数的适用性及其学习方式的重要问题，与关于表征学习和泛化的更基本问题纠缠在一起。为消除这些干扰因素，我们提出了一种更具挑战性的设定：从零开始的零样本学习(Zero-Shot Learning from scratch, ZFS)，它明确禁止使用在其他数据集上微调的编码器。我们在该设定下的分析凸显了局部信息以及组合式表征的重要性。
引用
@article{arxiv.2010.13320,
title = {Zero-Shot Learning from scratch (ZFS): leveraging local compositional representations},
author = {Tristan Sylvain and Linda Petrini and R Devon Hjelm},
journal= {arXiv preprint arXiv:2010.13320},
year = {2020}
}
备注
ICML 2019 Workshop on Understanding and Improving General-ization in Deep Learning, Long Beach, California, 2019 Spotlight presentation. arXiv admin note: text overlap with arXiv:1912.12179