Dec, 2014

通过缓解中心问题来改善零样本学习

PDF
TL;DR该研究提出了一种简单的方法来解决 zero-shot 任务中邻居向量被强权向心性卡住的问题，即通过考虑多个向量中潜在邻居的相似度分布来校正错误结果。结果表明，这种校正方法在跨语言、图像标记和图像检索等领域的 zero-shot 任务中均获得了稳定的改善。
zero-shotvector-based word representationsunsupervised methodsproximity distributionimage retrieval
发现论文，激发创造
  • 岭回归、Hubness 和零 - shot 学习

    本文探讨了零样本学习中 hubness 的影响，当使用岭回归在例子空间和标签空间之间寻找映射关系时。我们提出了将标签映射到例子空间的方法，以抑制后续最近邻搜索步骤中的 hub 出现。在一个简单的数据模型下，我们证明了所提出的方法确实减少了 hubness。我们在双语词典提取和图像标注任务上经验证实际上降低了 hubness，并且精度相应地提高了。

    Jul, 2015

  • 缓解零样本学习 3D 物体的 Hubness 问题

    本文提出了一种用于解决零样本学习中的 hubness 问题的新的损失函数，并在 ModelNet40、ModelNet10、McGill 和 SHREC2015 等数据集上进行了广泛的评估，建立了在 3D 情况下的零样本任务的最新成果。

    Jul, 2019

  • 中心点和超球体：使用超球嵌入减少中心现象和提高传导式小样本学习性能

    通过在超球面上平均分配表示，以优化均匀性和本地相似性存储之间的权衡，从而减少 hubness 问题，改善距离分类性能，提高少样本学习的准确性。

    Mar, 2023

  • 跨域多标签零样本学习

    本文提出了一种多标签零样本学习的框架，旨在解决测试时如何利用多标签相关性的挑战，并通过实验表明，所提出的深度回归模型和基于语义词向量的零样本学习算法，以及转导式学习策略，优于各种基线算法。

    Mar, 2015

  • 降低集中度改善句子 BERT 语义空间

    通过使用 Sentence-BERT 创建的嵌入表征语义空间的结构，我们发现其中普遍存在的高维度问题，即 hubness 会导致不对称的邻居关系，而减小 hubness 可以提供更好的文本语义表征。

    Nov, 2023

  • 零样本核学习

    本研究在零样本学习中使用核方法来学习特征和属性空间之间的非线性映射，提出了一种简单的学习目标，并在多个零样本学习数据集和基准测试中取得了最优结果。

    Feb, 2018

  • 基于聚类的半监督零样本学习

    本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法，通过在签名上进行线性变换以将它们映射到视觉特征上，使得已知类别的签名映射结果靠近相应类别的已标记样本，同时未标记的数据与其中一个未知类别的映射签名也很接近，该方法在四个公共基准测试中的表现证明了其有效性，其中三个的预测准确度均优于最先进方法。

    May, 2016

  • 通过语义嵌入的凸组合实现零样本学习

    本文介绍了一种简单的图像嵌入系统构建方法，可以从现有的任何 n-way 图像分类器和语义词嵌入模型中构建，该方法通过使用类标签嵌入向量的凸组合将图像映射到语义嵌入空间中，不需要进行额外的训练，该方法在 ImageNet 零样本学习任务上表现优异。

    Dec, 2013

  • HAL: 通过缓解视觉语义中心改进文本图像匹配

    本文针对视觉与语义嵌入中的 hub 问题，探讨了两种优化目标以及提出的 hubness-aware loss function 的优点，并在模型架构和数据集方面进行了实验，结果表明该方法在 text-image matching 任务中具有优良的鲁棒性并且能够带来一致性的改进。

    Nov, 2019

  • 通过度量学习提高语义嵌入一致性，用于零样本分类

    本文提出了一种新的零样本图像分类方法，通过度量学习来控制图像的语义嵌入，实现了不需要在训练阶段使用类别的零样本学习，仅需在地面实况中提供以图像 / 属性为对的约束关系，使得学习模型可以预测一个测试图像与给定属性的一致性，并且该方法在四个挑战性数据集上取得了最好的效果。

    Jul, 2016