2달 전
Zero-Shot Learning에 대한 생성적 프레임워크 및 적대적 도메인 적응
Varun Khare; Divyat Mahajan; Homanga Bharadhwaj; Vinay Verma; Piyush Rai

초록
우리는 제로샷 학습을 위한 도메인 적응 기반 생성 프레임워크를 제시합니다. 본 프레임워크는 제로샷 학습에서 보이는 클래스와 보이지 않는 클래스 분포 사이의 도메인 시프트 문제를 해결하고, 적대적 도메인 적응을 통해 훈련된 생성 모델을 개발하여 이 시프트를 최소화합니다. 우리의 접근 방식은 보이는 클래스와 보이지 않는 클래스의 분포를 단일 과정으로 학습하는 데 기반을 두고 있습니다. 보이지 않는 클래스의 분포를 학습할 수 있도록, 이 클래스 분포들을 클래스 속성 정보(보이는 클래스와 보이지 않는 클래스 모두에 대해 사용 가능)로 매개변수화합니다. 이 방법은 보이지 않는 클래스의 속성 정보만 주어진 경우에도 해당 클래스의 분포를 매우 간단하게 학습할 수 있는 방법을 제공하며, 라벨링된 훈련 데이터가 필요하지 않습니다. 적대적 도메인 적응을 통한 모델 훈련은 또한 보이는 클래스와 보이지 않는 클래스 데이터 사이의 분포 불일치에 대한 견고성을 제공합니다. 우리의 접근 방식은 또한 신경망 기반 분류기를 훈련하여 제로샷 학습에서 발생하는 허브니스(hubness) 문제를 극복하는 새로운 방법을 제공합니다. 포괄적인 실험 세트를 통해, 우리는 다양한 벤치마크 데이터셋에서 본 모델이 다양한 최신 제로샷 학습 모델보다 우수한 정확도를 제공함을 입증하였습니다. 실험 코드는 github.com/vkkhare/ZSL-ADA에서 확인할 수 있습니다.