要約
属性とオブジェクトは多様な組み合わせを形成できる。このような一般概念の構成的性質をモデル化するため、結合や分離といった変換を通じて学習することは有効なアプローチである。しかし、複雑な変換には合理性を保証するための特定の原則を満たす必要がある。本論文では、属性-オブジェクト変換においてこれまで無視されてきた原則として「対称性（Symmetry）」を提案する。たとえば、「むきりんご」という属性「むき」を結合すると「むきりんご」が得られ、逆に「りんご」から「むき」を分離しても「りんご」が再現されるべきである。この対称性の原則を導入し、群論（group theory）に着想を得た変換フレームワーク、すなわちSymNetを構築した。SymNetは、結合ネットワーク（Coupling Network）と分離ネットワーク（Decoupling Network）の2つのモジュールから構成される。群の公理および対称性の性質を最適化目標として、深層ニューラルネットワークを用いてSymNetを実装し、エンド・ツー・エンドの学習フレームワークで訓練した。さらに、属性パターンそのものではなく、属性の変化を用いて分類を行うための、相対的移動距離（Relative Moving Distance: RMD）に基づく識別手法を提案した。本研究で提案する対称性学習は、構成的ゼロショット学習（Compositional Zero-Shot Learning）タスクに適用可能であり、広く用いられるベンチマークにおいて最先端の手法を上回る性能を達成した。コードは以下のURLから公開されている：https://github.com/DirtyHarryLYL/SymNet。