判别训练的零样本学习模型有多强大？

Jan, 2022

判别训练的零样本学习模型有多强大？

How Robust are Discriminatively Trained Zero-Shot Learning Models?

Mehmet Kerim Yucel, Ramazan Gokberk Cinbis, Pinar Duygulu

TL;DR本文针对图像识别中常用的零样本学习（ZSL）模型的数据偏移容错问题，提出了几组解决方案，并通过新的数组合和发现的基于防御方法建立了新的衡量标准。此外，本文还提出了三组新的 ZSL 污染鲁棒性数据集，并在数据集特征、类别平衡等方面对方法的有效性进行了详细分析。

Abstract

data shift robustness has been primarily investigated from a fully supervised perspective, and robustness of zero-shot learning (ZSL) models have been largely neglected. In this paper, we present novel analyses o

data shift robustness zero-shot learning image corruptions zsl corruption robustness datasets discriminative zsl

发现论文，激发创造

零样本学习中对抗鲁棒性的深入探究

本研究针对零样本学习和广义零样本学习模型，利用标签嵌入模型，评估了其对一系列已建立的对抗攻击和防御的鲁棒性，并创造了可能是首个对零样本学习模型对抗鲁棒性的基准测试及其重要解释的分析，希望这些结果能够帮助研究人员更好地理解零样本学习模型所面临的挑战并指导其相关研究工作。

Aug, 2020

广义零样本学习在野外物体识别中的实证研究与分析

本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的 generalized zero-shot learning 的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于 GZSL 的重要性。

May, 2016

关于通用物体的零样本识别

本文主要探讨了当前零样本学习（ZSL）模型在 Imagenet 基准测试中的不足之处，提出了基准测试质量不高的原因，并分析了影响 ZSL 模型准确性的不同因素。进一步介绍了 ZSL 数据集中的结构偏见，并详细阐述了半自动构建新基准的方法，以应对这些缺陷。

Apr, 2019

语义对齐减少偏见的零样本学习

本文提出了一种新的零样本学习方法 ——Semantically Aligned Bias Reducing (SABR) ZSL，旨在通过学习一个潜在空间来解决 hubness 问题，同时通过交叉验证和弱转移约束来减轻示例类别偏移问题，并在三个基准数据集上广泛实验证明，与现有的最先进算法相比，在传统和推广的 ZSL 设置下，性能显著提高了 1.5-9％或 2-14％。

Apr, 2019

通过利用对抗样本进行零样本学习

零样本学习（ZSL）通过从已见类别中获取的知识（如视觉和语义关系）进行泛化，旨在识别未见类别，但常用的图像增强技术可能对 ZSL 产生负面影响，我们提出一种利用对抗样本的新型 ZSL 方法来解决语义扭曲问题，在三个著名的零样本基准数据集上进行了综合实验，证明了对抗样本方法在 ZSL 和广义零样本学习（GZSL）场景中的有效性。

Aug, 2023

多模态基础模型的零样本鲁棒性基准测试：一项试点研究

基于大规模的鲁棒性基准测试，本研究通过评估 CLIP 模型在自然分布偏移和对抗攻击下的性能，发现零样本多模态模型的鲁棒性明显不足，强调了对零样本多模态模型的鲁棒性进行改进的重要性。

Mar, 2024

以缺失数据问题为形式的零样本学习

本文探讨了零样本学习方法在解决 ' 缺失数据问题 ' 而非 ' 缺失标签问题 ' 时的有效性，通过将知识从标签嵌入空间转移到图像特征空间，估计未见过的类在图像特征空间的数据分布，实验表明，与现有方法相比，该方法在两个流行数据集上的表现更优

Dec, 2016

探索基于扩散模型的零样本学习中的数据有效性

ZeroDiff 是一种基于扩散的生成零样本学习模型，通过在类和实例级别改善数据效率，以提高有限数据的零样本识别能力。

Jun, 2024

基于熵的不确定性校准用于广义零样本学习

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

语义相关性正则化的增强型零样本学习

本篇研究提出了一种新的框架，Boosted Zero-shot classification with Semantic Correlation Regularization (BZ-SCR), 旨在解决零样本学习中的模型有效性和模型适应性问题，在两个零样本学习数据集上进行实验证明了该方法的优越性。

Jul, 2017