语义话语分类的零样本学习

Dec, 2013

Zero-Shot Learning for Semantic Utterance Classification

Yann N. Dauphin, Gokhan Tur, Dilek Hakkani-Tur, Larry Heck

TL;DR本文提出了一种基于深度神经网络和零样本学习框架的语义话语分类方法，该方法在零样本分类中可以学习语义特征，并在 SUC 数据集上达到了当前最先进的分类精度。

Abstract

We propose a novel zero-shot learning method for semantic utterance classification (SUC). It learns a classifier $f: X \to Y$ for problems where none of the semantic categories $Y$ are present in the training set. The framework uncovers the link between categories and utterances using

zero-shot learning semantic utterance classification deep neural networks semantic space suc dataset

发现论文，激发创造

SemSup-XC: 用于零和少样本极端分类的语义监督

本研究开发了 SemSup-XC 模型，利用混合匹配模块将输入实例与语义类别描述相匹配，通过对比学习，实现了在三个 XC 数据集上对零样本和少样本的最新成果，得分提升了 12 个精度点以上。

Jan, 2023

将语义知识融合应用于零样本文本分类

本文提出了一个两阶段的框架，结合了数据扩充和特征扩充来解决零样本文本分类问题，同时将四种语义知识结构（词嵌入，类别描述，类层次结构和通用知识图谱）纳入到该框架中，实验结果表明，该框架的单独和联合两个阶段相比基线和最近的方法均获得了最佳的整体准确率。

Mar, 2019

强监督下的多线索零样本学习

利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

Mar, 2016

零样本学习中预测未见类别的视觉典型

本文提出了一种新的零样本学习模型，利用语义嵌入空间中的聚类结构来对已知对象的类别语义描述和示例进行建模，并通过训练多个基于核的回归器来实现语义表示 - 范例对的结构约束，从而在包括 ImageNet 数据集在内的标准基准数据集上显着优于现有的零样本学习方法。

May, 2016

SemSup：用于简单和可扩展零 - shot 泛化的语义监督

SemSup 使用可扩展的多描述采样方法，使用易于生成和在某些设置上优于文本的 JSON 等替代描述格式，以及混合词汇语义相似度来利用类别描述中的细粒度信息，从而提高了未见过的新类别泛化的准确性。

Feb, 2022

跨模态传递的零样本学习

该研究提出了一种模型，即使没有针对该对象的训练数据，也能在图像中识别对象，并从无监督的大型文本语料库中获取对未知类别的必要知识，在语言中的分布式信息可以被视为理解物体外观的语义基础。

Jan, 2013

零样本学习的合成分类器

通过在语义空间和模型空间中相互协作的 “幻影” 对象类的优化，实现了零样本学习的最优判别性能，克服了训练阶段没有示例的难题。

Mar, 2016

生成用于零样本分类的视觉表征

本文面向学习图像分类器的任务，并针对一些分类仅由语义描述（如视觉属性），而其他分类也由实例图像定义的情况下，提出了一种 Zero-Shot classification task (ZSC) 的方法。旨在通过生成模型和有监督学习方法，有效地解决这一问题，实验证明该方法在 ZSC 和广义 ZSC（GZSC）方面均取得了最新的成果。

Aug, 2017

Train Once, Test Anywhere: 零样本学习用于文本分类

提出了使用零样本学习的方法在大语料库上训练模型来学习语句和其标签之间的关系，以实现模型对未知语句和标签的预测，并报告在三个不同数据集上的实验结果，该方法是自然语言处理中通向智能化的一步。

Dec, 2017

用潜在嵌入反馈和鉴别特征进行零样本分类

本研究提出了一种基于语义一致性的零样本学习框架，在训练、特征合成和分类的所有阶段都强制执行语义一致性，并采用反馈循环来迭代地优化生成的特征，实验证明该方法在六个零样本学习基准任务上表现优异。

Mar, 2020