ゼロショット学習のための生成モデルフレームワークと敵対的ドメイン適応

私たちは、ゼロショット学習のためのドメイン適応に基づく生成フレームワークを提案します。当該フレームワークは、ゼロショット学習における既知クラスと未知クラス間のドメインシフト問題に対処し、敵対的ドメイン適応を用いた生成モデルの開発によりこのシフトを最小限に抑えます。私たちのアプローチは、既知クラスと未知クラスのクラス分布をエンドツーエンドで学習することに基づいています。未知クラスのクラス分布を学習させるために、これらのクラス分布をクラス属性情報（これは既知クラスと未知クラスの両方に利用可能）によってパラメータ化します。これにより、未知クラスのクラス属性情報のみが与えられた場合でも、そのクラス分布を非常に単純な方法で学習することが可能になります。また、敵対的ドメイン適応を使用してこのモデルを訓練することで、既知クラスと未知クラスからのデータ間での分布不一致に対する堅牢性が向上します。当該アプローチはさらに、ニューラルネットワークベースの分類器を訓練する新しい手法も提供し、ゼロショット学習におけるハブネス問題を克服します。包括的な一連の実験を通じて、当該モデルがさまざまな最先端のゼロショット学習モデルよりも優れた精度を示すことを示しています。実験コードはgithub.com/vkkhare/ZSL-ADAで入手可能です。注：- 「hubness problem」は「ハブネス問題」と訳しました。「ハブネス」は高次元空間において一部の点が他の多くの点に近いという現象を指す専門用語です。- 「adversarial domain adaptation」は「敵対的ドメイン適応」と訳しました。- 「class attribute information」は「クラス属性情報」と訳しました。- その他の技術用語については一般的な日本語訳を使用しています。