Zero-Shot-Lernen durch semantische Ähnlichkeitsemmbedding

In dieser Arbeit betrachten wir eine Version des Problems des Zero-Shot-Lernens, bei der Daten aus der Quell- und Ziel-Domäne für gesehene Klassen bereitgestellt werden. Das Ziel während der Testphase ist es, das Klassifizierungslabel einer Instanz aus der nicht gesehenen Ziel-Domäne aufgrund von offengelegten Nebeninformationen (z.B. Attributen) für die nicht gesehenen Klassen korrekt vorherzusagen. Unsere Methode basiert darauf, jede Quell- oder Ziel-Datenmenge als Mischung von Proportionen gesehener Klassen zu betrachten, und wir gehen davon aus, dass die Mischmuster ähnlich sein müssen, wenn zwei Instanzen zur gleichen nicht gesehenen Klasse gehören. Diese Perspektive führt uns dazu, Quell-/Ziel-Einbettungsfunktionen zu lernen, die beliebige Daten aus der Quell- oder Ziel-Domäne in einen gemeinsamen semantischen Raum abbilden, in dem Ähnlichkeiten leicht quantifiziert werden können. Wir entwickeln ein Max-Margin-Framework, um diese Ähnlichkeitsfunktionen zu lernen, und optimieren die Parameter durch Kreuzvalidierung gemeinsam. Unsere Testergebnisse sind überzeugend und führen zu erheblichen Verbesserungen hinsichtlich der Genauigkeit auf den meisten Benchmark-Datensätzen für Zero-Shot-Klassifikation.