解构式基于生成的零样本模型

Apr, 2022

Towards the Semantic Weak Generalization Problem in Generative Zero-Shot Learning: Ante-hoc and Post-hoc

Dubing Chen, Yuming Shen, Haofeng Zhang, Philip H. S. Torr

TL;DR本文针对广义零样本学习领域内的生成模型方法进行了探究和拆解，并提出了基于类级别和实例级别分布的属性泛化及部分偏置数据的独立分类器学习方法。实验证明本文提出的方法在公共数据集上性能优于当前最先进算法，同时该方法即使没有生成模型仍然有效，这是对生成-分类器结构的进一步简化。

Abstract

In this paper, we present a simple and effective strategy lowering the previously unexplored factors that limit the performance ceiling of generative Zero-Shot Learning (ZSL). We begin by formally defining semantic generalization, then look into approaches for reducing the semantic weak generalization problem and minimizing its negative influence on classifi

发现论文，激发创造

零样本学习的语义自编码器

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

适应性置信度平滑技术用于广义零样本学习

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

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

利用已知和未知语义关系进行零样本生成学习

提出一种新型的生成模型LsrGAN，通过引入SR-Loss以显式地进行知识迁移，从而利用语义信息将从已知类中获取的知识迁移到未知类中，实现零样本学习和广义零样本学习。

Jul, 2020

广义零样本学习方法综述

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

通过属性增强合成多样特征，提升生成式零样本学习

本文提出了一种使用生成模型合成多样性特征来增强零样本学习的新框架，以解决现有方法使用的单一属性信息无法完全表达样本丰富特征的问题。在四个基准数据集上的实验证明，本方法在性能方面显着优于现有工作。

Dec, 2021

无需标签的Logit调整

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

演变的语义原型提升生成式零样本学习

本文提出动态语义原型演化方法（DSP）以对齐经验预定义语义原型并使合成的视觉样本特征更接近真实样本特征，从而提高现有生成ZSL方法的性能。

Jun, 2023

SEER-ZSL: 通用零样本学习的语义编码增强表示

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

通用零样本识别的数据分布提取生成模型

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