针对非离散训练和测试类别的广义零样本学习，本文提出了一种基于变分自编码器的生成性框架，该框架包括概率编码器和概率条件解码器。通过一个反馈机制，研究者用一个发生器生成来自已知 / 未知类别的新样本，然后将这些样本用于训练任何现成的分类模型。本文的模型在广义零样本学习方案中，可以从未知类别生成样本来训练模型，从而减少对已知类别的偏见。在多个基准数据集上的实验结果表明，相比多个最先进方法，本文的模型表现更好。

Dec, 2017

本论文提出了一个利用深度生成模型进行类预测的研究方法，不同于其他类似方法依赖于语义嵌入，我们基于属性条件设计了特定于类别的潜在空间分布，并利用这些潜在空间分布作为监督变分自编码器的先验，使其有更强的区分特征表达能力；同时通过无监督学习利用未标记的未见类别数据进行半监督 / 转导学习，并在少样本学习下与现有方法进行了对比测试。

Nov, 2017

通过深度生成模型和多模态先验条件生成模型来实现零样本学习，无需非现有数据，可对可见和不可见类进行分类和生成。

Oct, 2019

本研究提出了一种基于变分自编码器的模型，通过学习图像特征和类别嵌入的共享潜在空间生成潜在特征，并在其中训练 softmax 分类器，以构建包含未知类别的本质多模态信息的潜在特征。在多个基准数据集上的实验表明，该方法在零样本学习和少样本学习方面取得了最新的最佳表现，并且在各种零样本分割的 ImageNet 上，该方法的潜在特征可以在大规模的情况下进行很好的泛化。

Dec, 2018

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

本篇论文研究了利用标签信息、属性以及关系图加强零样本学习和广义零样本学习，基于这个方法，本文在 CUB 和 SUN 数据集上取得了比强基线更好的结果。

Oct, 2020

我们提出了一个多模态变分自编码器 (M-VAE)，能够在学习图像特征和语义空间之间的共享潜在空间上，通过使用多模态损失来拟合多模态数据。该方法可用于预测新样本，且实验结果表明在广义零样本学习方面，我们提出的模型优于当前最先进的方法。

Jun, 2021

本文提出了一种结合 VAE 和 GANs 的条件生成模型，同时通过无条件鉴别器，学习未标记图像的边缘特征分布，在归纳和传递性学习设置中，对任意量少量学习问题进行处理，并在五个数据集中建立了新的零 - 阈值学习的最新技术。同时，证明学习到的特征是可解释的。

Mar, 2019

本文提出了多种不同的零样本学习的算法，包括基于语义属性生成可视特征分类器的深度神经网络，以及一种能够使用未标记数据进行自校准的学习方法，并在所有 ZSL 设置的基准数据集上显著优于现有算法的大量实验结果表明。

Sep, 2019

本文研究了广义零样学习问题，提出了一种新的模型联合了三种不同的方法：视觉 -> 语义映射，语义 -> 视觉映射和度量学习，并且将它们统一在一个框架内，最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性，而且在分类未知类别的图像上性能也比现有的最先进模型要更好。

Nov, 2018