一种生成性框架用于对抗域适应下的零样本学习

我们提出了一种基于领域适应的生成框架，用于零样本学习。该框架解决了零样本学习中已见类和未见类分布之间的领域偏移问题，并通过对抗领域适应训练生成模型来最小化这种偏移。我们的方法基于对已见类和未见类分布的端到端学习。为了使模型能够学习未见类的分布，我们将这些类的分布参数化为类属性信息（对于已见类和未见类均可用）。这提供了一种非常简单的方法，仅通过给定未见类的属性信息即可学习其类别分布，而无需任何标记的训练数据。通过对抗领域适应进行模型训练，进一步提高了模型在已见类和未见类数据分布不匹配情况下的鲁棒性。我们的方法还提供了一种新颖的方式，用于训练基于神经网络的分类器以克服零样本学习中的中心性问题。通过一系列全面的实验，我们展示了我们的模型在多种基准数据集上相比各种最先进的零样本学习模型具有更高的准确性。实验代码可在github.com/vkkhare/ZSL-ADA获取。