Mar, 2024

基于监督引导的零样本学习：一种无实际数据曝露的协同范式

PDF
TL;DR在这份研究中，我们提出了一种创新的 SG-ZSL 范式，旨在解决数据隐私和模型版权等问题，该范式通过引入教师模型、学生模型和连接两者的生成器来促进高效协作，无需交换模型或敏感数据。在教师模型的指导下，学生模型通过匹配教师模型的性能并探索教师未涵盖的领域来实现训练，通过白盒和黑盒两个不同的安全级别训练协议，实现了隐私与性能之间的平衡，并在 ZSL 和 GZSL 任务中持续取得优越的表现，尤其在白盒协议中。我们在不同设置下进行了全面评估，证明了其在各种情况下的鲁棒性和效率。
发现论文，激发创造
  • 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

  • 零样本学习的分类器和样本合成

    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

  • 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

  • 基于 Episode 的原型生成网络进行零样本学习

    该论文介绍了一个基于 Episode 的训练框架，用于零样本学习，其中模型在多个 Episode 中进行训练，通过逐步积累集成经验来预测模拟的看不见的类，以便在真实的看不见的类上进行良好的泛化，提出了一种新的生成模型，通过生成视觉原型并以课程语义原型为条件，确保视觉语义交互相匹配，并在对抗性框架中对抗参数经济的多模态交叉熵损失以捕捉区分性信息，经过多次实验发现，该模型在四个数据集的传统 ZSL 和广义 ZSL 任务中都优于现有的最先进方法。

    Sep, 2019

  • 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

  • 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

  • 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

  • 基于语义特征合成和竞争学习的零次和少次学习

    本研究提出了一种基于数据合成和竞争双向投影学习的零样本和少样本学习模型，在语义空间和特征空间之间学习了一个鲁棒的投影函数，并将它应用于语义数据的合成和模糊的非监督训练中，取得了最先进的结果。

    Oct, 2018

  • 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

  • 泛零样本学习的语义分离

    本文针对广义零样本学习任务，提出了一种新颖的语义分离框架，使用条件 VAE 将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量，并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明，由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。

    Jan, 2021