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
原文中文，约1400字，阅读约需4分钟。
📝
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。
❓
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。
🏷️
