基于属性平衡正则化的深度零样本学习

• 作者: 吴凡 王康
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 零样本学习 深度学习 属性平衡 端到端训练
• 年，卷（期）: 2018,（10）
• 所属期刊栏目: 人工智能与识别
• 页码范围: 165-170
• 页数: 6页
• 分类号: TP183
• 字数: 4722字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2018.10.030

摘要

零样本学习的关键在于将可见类训练集中学到的样本、属性之间的关联迁移到未见类上.但由于只有可见类的样本来参与训练,往往只有可见类关联较强的属性,在训练中其连接权重不断被强化,而一些未见类侧重的属性,则相当于在训练中缺少足够的正样本.这使得模型在测试阶段不能很好地表达和区分未见类的样本.为限制模型在可见类强关联的属性上的权重,提出一套基于属性平衡正则的端到端零样本学习框架.该框架实现简单、方便扩展.在三个主流的属性数据集的零样本学习和泛化零样本学习任务上,均取得了当前最好的结果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王康	复旦大学计算机科学技术学院上海市智能信息处理重点实验室	11	32	3.0	5.0
2	吴凡	复旦大学计算机科学技术学院上海市智能信息处理重点实验室	17	54	3.0	7.0