摘要
属性与对象可以组合形成多样化的复合结构。为了建模这类通用概念的组合特性，通过变换（如耦合与解耦）来学习其表示是一种合理的选择。然而，复杂的变换过程必须遵循特定原则，以确保其逻辑合理性。本文首次提出了一种此前被忽视的属性-对象变换原则：对称性（Symmetry）。例如，将“去皮”属性与“苹果”进行耦合，应得到“去皮苹果”；而从“苹果”中解耦“去皮”属性后，仍应恢复为原始的“苹果”。基于该对称性原则，我们构建了一个受群论启发的变换框架，称为 SymNet。SymNet 由两个核心模块组成：耦合网络（Coupling Network）与解耦网络（Decoupling Network）。在群公理与对称性性质的约束下，我们采用深度神经网络实现 SymNet，并以端到端的方式进行训练。此外，我们提出一种基于相对移动距离（Relative Moving Distance, RMD）的识别方法，通过利用属性变化而非属性本身的模式来进行属性分类。所提出的对称性学习方法可有效应用于组合零样本学习（Compositional Zero-Shot Learning）任务，并在多个广泛使用的基准数据集上超越现有最先进方法。代码已开源，地址为：https://github.com/DirtyHarryLYL/SymNet。