.ZERO-SHOT LEARNING VIA SEMANTIC SIMILARITY EMBEDDING. (注：在正式的SCI/SSCI期刊中，标题通常会使用大写字母，因此这里也采用了类似的格式。)

본 논문에서는 이미 관찰된 클래스의 소스 및 대상 영역 데이터가 제공되는 제로샷 학습 문제의 한 버전을 다룹니다. 테스트 시에는 소스 영역에서 제공된 부가 정보(예: 속성)를 바탕으로 대상 영역의 미관찰 클래스 인스턴스의 클래스 라벨을 정확히 예측하는 것이 목표입니다. 우리의 방법은 각 소스 또는 대상 데이터를 관찰된 클래스 비율의 혼합으로 보는 것에 기반하며, 두 인스턴스가 같은 미관찰 클래스에 속한다면 혼합 패턴이 유사해야 한다고 가정합니다. 이러한 관점은 소스/대상 임베딩 함수를 학습하여 임의의 소스/대상 영역 데이터를 동일한 의미 공간으로 매핑하고 유사성을 쉽게 측정할 수 있게 합니다. 우리는 이러한 유사성 함수를 학습하기 위해 최대 마진 프레임워크를 개발하고, 교차 검증을 통해 매개변수를 공동으로 최적화하였습니다. 테스트 결과는 설득력 있으며, 대부분의 제로샷 인식 벤치마크 데이터셋에서 정확도 면에서 상당한 개선을 보였습니다.