Feb, 2021

变分自编码器的对抗训练，用于持续的零样本学习（A-CZSL）

PDF
TL;DR文章提出了一种基于 VAE 模块的连续零样本学习模型 (A-CZSL)，用于解决人工神经网络与人类区别在于传统模型很难取得不同阶段任务良好的表现，模型大小在任务逐步增加的同时增长以防遗忘，并展示其在零样本学习和广义零样本学习上的优越性能。
artificial neural networkscatastrophic forgettingcontinual zero-shot learningvae moduletask identity
发现论文，激发创造
  • 基于生成回放的动态 VAE 模型实现持续零样本学习

    本文提出了一种新的继续零样本学习模型 (DVGR-CZSL)，通过生成式回放来防止灾难性遗忘，该模型与先前学习过的类一起更新。实验证明，这种混合模型在几个数据集中优于基线，能够有效地进行任务顺序学习，并且在零样本学习中具有优越性。

    Apr, 2021

  • 通过语义引导的生成随机游走实现持续的零样本学习

    通过利用生成建模，我们提出了一个学习算法，在没有给定未知信息的情况下持续进行零样本学习，并在 AWA1、AWA2、CUB 和 SUN 数据集上实现了超出现有连续零样本学习方法的 3-7% 的最新性能。

    Aug, 2023

  • 在线合作记忆的连续变分自编码器学习

    本研究提出了利用在线合作记忆框架（OCM）对变分自编码器（VAE）进行动态扩展混合网络的改进，以解决其在连续学习时的遗忘现象和图片生成的不足。使用 OCM 的短期记忆和长期记忆来存储和筛选样本，并结合动态 VAE，提高其后续多任务学习的性能。

    Jul, 2022

  • CANZSL: 适用于自然语言零样本学习的循环一致性对抗网络

    本文提出一种新的零样本学习方法，通过循环一致的对抗网络 (CANZSL)，将一种基于自然语言的多模态一致双向生成对抗网络训练用于处理零样本学习问题，以在语义空间中生成逼近真实分布的语义特征。实验结果表明，CANZSL 在自然语言零样本学习任务上的表现优于现有的先进方法。

    Sep, 2019

  • 学习基于图的先验知识用于广义零样本学习

    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

  • 元学习属性自互作网络用于持续和广义零样本学习

    零样本学习是一种具有广泛应用前景的方法，该研究提出了使用元学习的属性自交互网络（MAIN）来解决零样本学习中的挑战，该方法能够在不使用未见过的类别属性的情况下实现超越最先进结果的性能提升，同时在训练速度上也比基于生成模型的方法快 100 倍以上。

    Dec, 2023

  • 对抗性持续学习

    本研究旨在使用混合方法来解决连续学习中遗忘的问题，该方法结合了体系结构生长来防止任务特定技能的遗忘，并采用经验回放方法来保存共享技能。研究结果表明，我们的混合方法在单个数据集和多个数据集的类增量学习中都表现优异。

    Mar, 2020

  • 多模态循环一致的广义零样本学习

    本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

    Aug, 2018

  • VAE-Conditioned 生成流的广义零样本学习

    本文介绍一种名为 VAE-cFlow 的泛化零样本学习方法，使用了生成流模型和 VAE 技术，从语义描述生成可靠的视觉特征来识别已知和未知的类别，并在五个数据集上实现了最先进的 GZSL 结果。

    Sep, 2020

  • 基于变分图嵌入的开放式世界组合零样本学习

    本文提出了一种基于组合变分图自编码器（CVGAE）的方法来学习基本概念及其组成的可行性，以达到零样本分类的目的，并通过图像检索验证了该方法的有效性。

    Apr, 2022