既知クラスと未知クラスの訓練データ間の極端な不均衡に苦しんでいるため、現存する最先端の手法の多くは、挑戦的な一般化ゼロショット学習タスクにおいて満足できる結果を達成できていません。未知クラスのラベル付きサンプルが必要ないよう対処するために、我々はクラスレベルの意味情報に基づいてCNN特徴量を合成する新しい生成敵対ネットワーク（GAN）を提案します。この手法は、クラスの意味記述から直接クラス条件付き特徴分布へのショートカットを提供します。我々が提案するアプローチは、Wasserstein GANと分類損失を組み合わせており、十分に識別可能なCNN特徴量を生成してsoftmax分類器や任意の多モーダル埋め込み方法を訓練することができます。実験結果では、CUB、FLO、SUN、AWAおよびImageNetという5つの挑戦的なデータセットにおいて、ゼロショット学習および一般化ゼロショット学習設定の両方で最先端技術よりも大幅に精度が向上していることが示されています。