要約
意味記述子に基づく一般化ゼロショット学習（GZSL）は、テスト段階における未知クラスの認識において課題を抱えている。近年の生成モデルの発展により、現在のGZSL手法は意味と視覚の連関にさらに深く迫ることが可能となり、生成器と分類器から構成される二段階型のアーキテクチャが主流となっている。しかし、既存の生成ベース手法は生成器の性能向上に注力する一方で、分類器の改善には十分な注意を払っていない。本論文では、まず生成された擬似未観測サンプルの二つの性質——バイアスと均一性——について分析を行う。その後、変分ベイズ推論を用いて評価指標を逆導出し、これは既知クラスと未知クラスのバランスを反映するものである。この導出の結果として、前述の二つの性質が、ロジット調整を通じて分類器学習における既知・未知クラスの事前分布として組み込まれる。このアプローチにより、ゼロショット・ロジット調整（Zero-Shot Logit Adjustment）は、生成ベースGZSLにおける意味に基づく分類器の有効性を実現する。実験結果から、提案手法は基本的な生成器と組み合わせることで最先端の性能を達成できることを示し、さまざまな生成型ゼロショット学習フレームワークの性能向上にも寄与することが確認された。実装コードは、https://github.com/cdb342/IJCAI-2022-ZLA にて公開されている。