零样本学习综述
2021-07-02欧光金
现代计算机 2021年13期
欧光金
(西南大学计算机与信息科学学院,重庆400715)
1 零样本学习概述
近年来监督学习取得了显著进步,监督学习的应用也随处可见。加之得益于深度学习的快速发展,监督学习的性能也得到很大提升。然而监督学习存在一些缺陷,需要足够样本,且学到的分类器只包含训练过程中出现过的类别,对从未见过的类别就无能为力。然而在实际应用中,许多类没有对应的标注样本参与训练,而人们需要确定这些测试样本是属于哪一类别。为了解决这一问题,零样本学习应运而生,其目的是对不可见类的样本进行识别和分类[1]。


定义1(零样本学习)给定属于可见类S的训练样本Dtr,零样本学习旨在学得一个分类器f(.):X→U,即可以预测测试样本Xte属于不可见类集合U的哪一类。
从定义1可以看出,零样本学习的思路是将可见类中学到的知识转移到不可见类中,以此实现分类任务,因此零样本学习是一种特殊的迁移学习[2]。迁移学习将源域的知识转移到目标域,而辅助信息是不可见类和可见类之间的桥梁。辅助信息通常具有辨别性,能保留每个类别的特性,且与样本相关联,保证辅助信息是有效的。受人类认识世界的模式启发,例如通过“斑马像马且有条纹”的描述,幼童可以识别出斑马,即使他们以前从来没见过。可见类和不可见类的语义信息组成语义空间,该空间为实数空间。在语义空间中,每个类都由一个特定的向量表示,该表示称为类别原型。……
登录APP查看全文
