学习基于图的先验知识用于广义零样本学习
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
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
本文提出了两个使用零样本学习（ZSL）系统，该系统使用流形嵌入和自动生成视觉分类器来解决具有未知类的任务，并且在五个类视觉识别基准数据集上表现出卓越的性能。
Dec, 2018
本文介绍了一种基于概率的方法，将分类器分为三个组件，其中包括一个门控模型、一个零样本学习专家和一个针对已知类别的专家模型，以实现广义零样本学习（GZSL）。我们的方法解决了几个主要问题，包括如何为未知类别提供精确的门控概率估计和如何在其领域之外的样本中使用专家预测。我们测试的结果表明，我们的方法COSMO在四个标准GZSL基准数据集上表现良好，并且通常优于现有GZSL模型。
Dec, 2018
本文综述了广义零样本学习（GZSL）的问题及挑战，展示了一种分层分类方法，并讨论了每个类别中的代表性方法，同时探讨了GZSL可用的基准数据集和应用以及未来研究方向。
Nov, 2020
提出一种新的框架，利用双重变分自编码器和三元组损失学习区分性潜在特征，并应用基于熵的校准来最小化见和未见类之间重叠区域的不确定性，在六个基准数据集上进行的实验表明，该方法胜过现有的最先进方法。
Jan, 2021
本研究提出了一种新的在线学习方法，旨在解决 continual generalized zero-shot learning 中动态添加新已知或未知类别所带来的挑战，该方法结合了双向增量对齐和特征生成框架以动态适应新类别的到来，并在五个基准数据集上表现出更好的泛化能力。
Mar, 2022
本文提出了一种利用生成模型在Generalized Zero-Shot Learning (GZSL)任务中识别新类别的技术，使用变分贝叶斯推理方法推导评估指标，借助logit adjustment 融合生成的伪类别信息到分类器中，进一步提高了在GZSL任务的性能。
Apr, 2022
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
通过引入端到端生成式GZSL框架D^3GZSL并采用ID^2SD和O^2DBD两个核心模块，我们解决了GZSL模型中偏向于已见数据的偏见问题，并通过将已见和合成的未见数据作为内分布和外分布数据分别对待，以实现模型的更好平衡。D^3GZSL在嵌入和标签空间中对齐教师和学生的结果，增强了学习的一致性，并且通过在每个批次样本中引入低维度的外分布表示，捕捉了已见和未见类别之间的共享结构。我们的方法在已有的GZSL基准测试中展示了其有效性，并可以无缝地集成到主流的生成式框架中。大量实验一致表明，D^3GZSL提升了现有生成式GZSL方法的性能，凸显了其优化零样本学习实践的潜力。
Feb, 2024