杨 博,张钰雪晴,彭羿达,张春旭,黄 晶

1(符号计算与知识工程教育部重点实验室(吉林大学),吉林 长春 130012)

2(吉林大学 计算机科学与技术学院,吉林 长春 13 0012)

3(吉林大学 软件学院,吉林 长春 130012)

深度学习算法在图像识别[1,2]、语音识别[3,4]、自动驾驶[5,6]等大数据处理和人工智能任务中取得了巨大成功,然而这类有监督学习方法存在的限制是:模型过度依赖大量训练样本,每个类别需要几百甚至上千个样本,才可使模型达到令人满意的识别精度以及泛化能力;并且训练好的模型只能对已训练过类别的样本进行识别,无法应用于新类别样本.与之相比,人类的推理过程更加灵活,能够结合历史经验与新知识进行推理.例如,小孩子认识马这种动物,在学习到“斑马是具有黑白条纹的马”这条新知识后,便可推理出从未见过的新动物——斑马.零次学习任务希望计算机模仿人的推理过程,通过将历史经验迁移至新任务,无需使用大量新类别样本训练,便可达到识别新类别的效果.

在零次学习任务中,已知类别集合和新类别集合不相交,通常需要引入外部语义知识使得零次学习模型有效.目前,一些工作通过引入类别属性、词向量或类别描述等外部知识为各类别学得更准确的特征表示,进而构建类别语义与视觉特征之间的映射关系[7].然而在大多数零次学习方法中,语义知识表示过程是独立完成的,类间互不影响,不能很好表现类间关联,且分类准确率……