Ein lächerlich einfacher Ansatz für Zero-Shot-Lernen

Zero-Shot-Lernen besteht darin, neue Konzepte zu erkennen, indem lediglich eine Beschreibung dieser Konzepte zur Verfügung steht. Zahlreiche anspruchsvolle Ansätze wurden vorgeschlagen, um die Herausforderungen dieses Problems zu bewältigen. In diesem Paper beschreiben wir einen Zero-Shot-Lernansatz, der sich in lediglich einer Codezeile implementieren lässt und dennoch auf Standarddatensätzen die Leistung von State-of-the-Art-Verfahren übertrifft. Der Ansatz basiert auf einem allgemeineren Framework, das die Beziehungen zwischen Merkmalen, Attributen und Klassen als ein Netzwerk mit zwei linearen Schichten modelliert, wobei die Gewichte der oberen Schicht nicht gelernt, sondern durch die Umgebung vorgegeben sind. Darüber hinaus leiten wir eine Lerngrenze für den Generalisierungsfehler solcher Ansätze her, indem wir diese als Methoden der Domänenanpassung interpretieren. In Experimenten an drei Standard-Datensätzen aus der realen Welt zeigen wir, dass unser Ansatz auf allen drei Datensätzen signifikant besser abschneidet als die State-of-the-Art-Methoden, wobei die Verbesserungsrate bis zu 17 % betragen kann.