Zero-Shot Learning by Convex Combination of Semantic Embeddings 제로샷 학습을 위한 의미 임베딩의 볼록 조합

최근 몇몇 논문에서는 이미지를 연속적인 의미 임베딩 공간으로 매핑하는 방법을 제안하였습니다. 일부 경우에는 이미지 변환과 함께 임베딩 공간이 공동으로 훈련됩니다. 다른 경우에는 독립적인 자연어 처리 작업을 통해 의미 임베딩 공간이 설정되고, 그 다음 단계에서 이미지 변환이 해당 공간으로 학습됩니다. 이러한 이미지 임베딩 시스템의 지지자들은 전통적인 \nway{} 분류 접근 방식보다 많은 장점을 강조하였는데, 특히 이전에 본 적 없는 객체 범주를 올바르게 주석화할 수 있는 제로샷 학습(zero-shot learning)의 가능성 측면에서 그렇습니다. 본 논문에서는 기존의 \nway{} 이미지 분류기와 의미 단어 임베딩 모델(이 모델의 어휘에는 $\n$ 클래스 레이블이 포함됨)을 사용하여 이미지 임베딩 시스템을 구성하는 간단한 방법을 제안합니다. 우리의 방법은 클래스 레이블 임베딩 벡터들의 볼록 조합(convex combination)을 통해 이미지를 의미 임베딩 공간으로 매핑하며, 추가적인 훈련 없이도 가능합니다. 우리는 이 간단하고 직접적인 방법이 더 복잡한 이미지 임베딩 방식과 관련된 많은 장점을 부여하며, 실제로 ImageNet 제로샷 학습 과제에서 최신 기술(state-of-the-art) 방법들을 능가함을 보여드립니다.