提出了一种利用积分投影的语义自编码器（IP-SAE）模型，可以有效应用于不同但相关的目标数据分布，从而学习通过一个数据源分布进行嵌入。该模型能够解决因域漂移引起的问题和域变化的偏见，同时在四个基准数据集上表现出超越最新技术的表现。

Jun, 2023

提出了一种基于领域特定嵌入网络（DSEN）的零样本学习方法，通过将图像数据和语义标签投影到联合嵌入空间中进行识别，该方法分解了领域共享投影函数并使用领域特定子函数探索领域的相似性和差异性，同时引入语义重构和领域划分约束以解决偏倚问题和保持语义关联。实验表明，DSEN 在四个公共基准测试中具有显著的改进。

Aug, 2019

该论文提出一种基于语义自编码器的零样本学习方法，在编码器 - 解码器框架下，通过对编码 - 解码的自重建能力进行优化，从而使得模型更加泛化并可以在无训练数据的情况下预测新的未知类别。

Apr, 2017

本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络（RSAN）方法，使得将所学类别的知识成功地以区域方式传递给未见类别，并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征，对多个标准 ZSL 数据集的实验验证了该方法的优点，超过了最先进的方法。

Oct, 2021

通过创新性的编码器和组合损失函数，本论文介绍了一种双重策略来解决广义零样例学习中的泛化差距，并提出了一套新的评估指标，以更详细地评估结果的可信度和可复现性。

Dec, 2023

本文提出了一种新颖的广义零样本学习（GZSL）方法，它对训练期间的未见图像和未见语义向量具有不可知性。通过提出一种视觉实例的低维嵌入来打破视觉 - 语义间隙，并借助一个新的视觉神谕来量化噪声语义数据的影响，以提高准确性。在一系列数据集上用图模型进行推理的实验结果显示，该方法在语义和视觉监督下均明显优于现有技术。

Nov, 2018

本文提出了一种分阶段的双向潜在嵌入识别框架，通过探索训练数据的拓扑和标签信息，在底部阶段创建了一个潜在嵌入空间，用于引导未知类别的半监督 Sammon 映射，通过最近邻法预测测试实例的标签，最终实验结果表明，该方法在零样本学习和归纳推理设置下达到了最先进的性能水平。

Jul, 2016

本文提出了一种针对零样本学习、广义零样本学习和少样本学习的语义细化 Wasserstein 生成对抗网络 (SRWGAN) 模型，采用多头表示和分层对齐技术实现语义细化，为分离的类别特征生成提供无偏差的条件，将应用于归纳和转导设置中，并在六个基准数据集上获得了最先进的结果。

Feb, 2022

本文提出了一种基于边界感知回归和语义一致性损失实现零样本语义分割任务的方法，并将其与 Apollonius 校准技术相结合，提高了分类器的泛化性能。实验结果表明该方法在标准数据集上实现了最先进的性能表现。

Aug, 2021

本文针对零样本学习中的交叉域匹配问题，详细探讨优秀的 embedding 空间应满足的两个标准：类内紧度和类间可分性，并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间，并在其中强制要求视觉嵌入与类级语义嵌入相同，同时实现区分可训练分类器，实现跨未知类别输入的优化过程。此外，我们还扩展了我们的方法来处理 ZSL 中的模型偏差问题，并在五个标准数据集上获得了卓越的性能。

Aug, 2018