基于监督引导的零样本学习：一种无实际数据曝露的协同范式
内容提要
本文探讨了零样本学习（ZSL）和广义零样本学习（GZSL）的最新研究进展，提出了多种模型和方法，如生成对抗网络、流形嵌入和概率生成建模，以解决已知类与未知类之间的数据不平衡问题。这些方法在多个视觉识别基准数据集上表现优越，推动了对抗鲁棒性和语义嵌入的理解。
延伸解读
零样本学习的技术演进
文章梳理了从2016年到2021年零样本学习（ZSL）和广义零样本学习（GZSL）的关键进展。早期研究关注概率生成建模和校准方法，解决域偏移和已知类与未知类的识别冲突；随后出现基于流形嵌入、生成对抗网络和Episode训练框架的方法，提升泛化能力；近期则强调对抗鲁棒性基准和语义分离框架。这一脉络显示，领域从单纯特征映射转向生成模型与鲁棒性评估并重。
生成模型成为主流方案
为缓解已知类与未知类之间的数据不平衡，多项研究采用生成对抗网络（GAN）或条件VAE生成虚拟的未见类实例。例如，基于本体论知识表示和语义嵌入的GAN框架，以及通过条件VAE分解视觉特征的语义分离框架，都试图在语义空间与特征空间之间建立更鲁棒的投影。这些方法在多个基准数据集上表现优越，但生成质量高度依赖语义嵌入的准确性。
对抗鲁棒性：新兴的评估维度
文章特别提到一项研究，利用标签嵌入模型评估ZSL和GZSL模型对对抗攻击与防御的鲁棒性，并创建了首个相关基准测试。这提示读者，除了传统精度指标，模型在恶意扰动下的稳定性同样重要。该基准有助于理解模型面临的挑战，并指导未来研究在提升泛化能力的同时兼顾安全性。
语义嵌入质量是关键瓶颈
校准方法的研究指出，当前模型表现与理想语义嵌入之间存在差异，强调改进类别语义嵌入对GZSL至关重要。无论是生成式方法还是投影学习，语义嵌入的区分性和一致性直接影响未知类的识别效果。因此，后续研究在追求复杂模型结构时，也应重视语义表示本身的优化，避免因嵌入偏差导致性能受限。
Q&A
什么是零样本学习（ZSL）？
零样本学习（ZSL）是一种机器学习方法，旨在通过已知类别的知识来识别未知类别的实例。
文章中提到的生成对抗网络在零样本学习中有什么作用？
生成对抗网络用于开发生成 ZSL 框架，以解决已知类与未知类之间的数据不平衡问题。
广义零样本学习（GZSL）面临哪些挑战？
广义零样本学习（GZSL）面临的问题包括类别间的代表性不足和对未知类别的准确识别。
如何评估零样本学习模型的对抗鲁棒性？
通过利用标签嵌入模型，评估模型在对抗攻击和防御下的表现，创造基准测试。
文章中提到的COSMO方法有什么特点？
COSMO方法将分类器分为三个组件，解决未知类别的门控概率估计问题，并在GZSL基准数据集上表现良好。
如何改进广义零样本学习的类别语义嵌入？
通过校准方法解决已知类别与未知类别图像识别的冲突，强调改进类别语义嵌入的重要性。
