论文部分内容阅读
零样本学习的关键在于将可见类训练集中学到的样本、属性之间的关联迁移到未见类上。但由于只有可见类的样本来参与训练,往往只有可见类关联较强的属性,在训练中其连接权重不断被强化,而一些未见类侧重的属性,则相当于在训练中缺少足够的正样本。这使得模型在测试阶段不能很好地表达和区分未见类的样本。为限制模型在可见类强关联的属性上的权重,提出一套基于属性平衡正则的端到端零样本学习框架。该框架实现简单、方便扩展。在三个主流的属性数据集的零样本学习和泛化零样本学习任务上,均取得了当前最好的结果。