摘要
本文研究了一种零样本学习问题的变体，其中提供了已知类别的源域和目标域数据。测试时的目标是根据已知类别源域的数据侧信息（例如属性）准确预测未知类别目标域实例的类别标签。我们的方法基于将每个源域或目标域数据视为已知类别比例的混合，并假设如果两个实例属于同一个未知类别，则它们的混合模式必须相似。这一视角促使我们学习源/目标嵌入函数，这些函数可以将任意源域或目标域数据映射到同一语义空间中，在该空间中可以直接测量相似性。我们开发了一个最大间隔框架来学习这些相似性函数，并通过交叉验证联合优化参数。实验结果令人信服，大多数零样本识别基准数据集上的准确率得到了显著提高。