التعلم متعدد التصنيفات بدون معلومات سابقة يسعى إلى تصنيف الصور في فئات متعددة غير مرئية لم تتوفر بيانات عنها أثناء التدريب. في النسخة العامة، يمكن أن تحتوي العينات الاختبارية أيضًا على فئات مرئية. تعتمد الأساليب الحالية على تعلم الانتباه المشترك أو المحدد للتصنيف من الفئات المرئية. ومع ذلك، لا يزال حساب خرائط انتباه موثوقة للفئات غير المرئية أثناء الاستدلال في إعداد متعدد التصنيفات تحديًا.بالمقابل، تعتمد الأساليب الرائدة القائمة على الشبكات المولدة المعادية (GAN) في إعداد التصنيف الأحادي على تعلم توليد الخصائص البصرية الخاصة بالتصنيف مباشرة من مضمنات السمات المرتبطة بالتصنيف. ومع ذلك، فإن توليد الخصائص متعددة التصنيفات من GANs لا يزال مجالًا غير مستكشف في سياق الإعداد بدون معلومات سابقة.في هذا العمل، نقدم أساليب مختلفة للدمج على مستوى السمات ومستوى الخصائص وعلى المستوى العابر (بين مستوى السمات ومستوى الخصائص) لتوليد الخصائص متعددة التصنيفات من مضمناتها المتعددة. حسب أفضل علم لنا، يعتبر عملنا أول من يعالج مشكلة توليد الخصائص متعددة التصنيفات في الإعداد (العام) بدون معلومات سابقة.أجريت تجارب شاملة على ثلاثة مقاييس لتصنيف الصور بدون معلومات سابقة: NUS-WIDE و Open Images و MS COCO. أثبتت طريقتنا القائمة على الدمج عبر المستويات أنها أفضل من الطرق الرائدة في جميع الثلاثة مقاييس. بالإضافة إلى ذلك، أظهرنا قدرة طريقتنا على التعميم في مهمة الكشف بدون معلومات سابقة على MS COCO، حيث حققت أداءً جيدًا مقابل الطرق الموجودة.مصدر الرمز البرمجي متاح على https://github.com/akshitac8/Generative_MLZSL.