元学习属性自互作网络用于持续和广义零样本学习

Dec, 2023

元学习属性自互作网络用于持续和广义零样本学习

Meta-Learned Attribute Self-Interaction Network for Continual and Generalized Zero-Shot Learning

Vinay K Verma, Nikhil Mehta, Kevin J Liang, Aakansha Mishra, Lawrence Carin

TL;DR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。

Abstract

zero-shot learning (ZSL) is a promising approach to generalizing a model to categories unseen during training by leveraging class attributes, but challenges remain. Recently, methods using generative models to co

zero-shot learning generative models attribute vector sequential stream of data meta-learned attribute self-interaction network

发现论文，激发创造

利用语义属性进行归纳零样本学习

本文提出一种新的传输零样本学习方法，该方法使用生成对抗网络从未见过的特征提取出语义属性，并将其融合到产生模型中，从而捕获未见类别内的细微差异，合成更具辨别能力的特征。在五个标准基准测试中，本方法取得了零样本学习的最新成果。

Mar, 2023

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

基于视觉 transformer 的多头自注意力机制用于零样本学习

本文提出了一种关注机制的模型以学习适用于未见过的类别识别的属性，在三个常用的零样本学习基准测试上达到了新的最先进效果。

Jul, 2021

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

面向图零样本学习的属性传播网络

本文介绍了一种使用属性传播网络（APNet）进行零样本学习的方法，其优化了用于零样本分类的属性空间，并使用图传播模型和最近邻分类器来实现更好的分类准确性。

Sep, 2020

恢复丢失的链接：预测类属性关联以进行无监督零样本学习

本文提出了一种基于属性的无监督学习方法，通过学习将类别嵌入与属性耦合的关系模型，来自动预测未见过的类别与属性之间的关联，并支持跨数据集的属性传递。实验证明，该方法在 Animals with Attributes 和 aPascal/aYahoo 数据集上的性能优于现有方法。

Oct, 2016

OntoZSL: 基于本体增强的零样本学习

通过本体论知识表示和语义嵌入，以更丰富和竞争的先验知识建模 ZSL 的类间关系，并使用生成对抗网络（GANs）开发了一种生成 ZSL 框架，以解决已知类和未知类之间的数据不平衡问题。

Feb, 2021

基于自训练字典方法的推导式零样本学习

本文提出一种基于双向映射的语义关系建模方案，实现跨模态的知识转移并解决领域转化问题，通过迭代更新使得分类器不断加强预测能力，实验结果在三个基准数据集上显著优于现有方法。

Mar, 2017

使用生成潜在原型模型进行零样本学习

采用概率生成建模的方法，基于潜在空间中的原型及其语义关系，生成虚拟的未见类实例以解决直接迁移学习中存在的域偏移问题，实验结果表明该模型优于现有零样本学习方法。

May, 2017

学习条件属性，用于组合式零样本学习

该研究提出了一种基于条件属性嵌入的学习框架来解决组合零样本学习中的属性建模问题，并在实验中取得了较优的表现。

May, 2023