[論文レビュー] A Review of Generalized Zero-Shot Learning Methods

Farhad Pourpanah, Moloud Abdar+6 more|arXiv (Cornell University)|Nov 17, 2020

Domain Adaptation and Few-Shot Learning参考文献 229被引用数 83

ひとこと要約

この論文はGeneralized Zero-Shot Learning (GZSL)の包括的な調査を提供し、方法の階層的分類を提案し、データセット、応用、課題、および将来の方向性を論じる。

ABSTRACT

Generalized zero-shot learning (GZSL) aims to train a model for classifying data samples under the condition that some output classes are unknown during supervised learning. To address this challenging task, GZSL leverages semantic information of the seen (source) and unseen (target) classes to bridge the gap between both seen and unseen classes. Since its introduction, many GZSL models have been formulated. In this review paper, we present a comprehensive review on GZSL. Firstly, we provide an overview of GZSL including the problems and challenges. Then, we introduce a hierarchical categorization for the GZSL methods and discuss the representative methods in each category. In addition, we discuss the available benchmark data sets and applications of GZSL, along with a discussion on the research gaps and directions for future investigations.

研究の動機と目的

• GZSLの包括的なレビューを提供し、問題定式化、課題、および使用されるセマンティック情報を含む。
• 代表的なモデルと応用を含むGZSL法の階層的分類を導入する。
• ドメイン横断のベンチマークデータセットと応用を議論し、研究のギャップを特定する。
• バイアスとドメインシフトに対処するためのGZSLにおける将来の研究の方向性を提案する。

提案手法

• GZSLアプローチを embedding-based と generative-based の方法に分類し、embedding-based の手法をさらにサブ分類する（graph-based、attention-based、autoencoder-based、meta-learning、compositional、bidirectional）。
• seen/unseenクラスの問題定式化、inductive vs. transductive設定、およびキャリブレーション戦略を議論する。
• セマンティック情報（属性、語彙ベクトル）と埋め込み空間（semantic、visual、latent）が跨るドメイン間マッピング構築に果たす役割を説明する。
• ハブネス、射影ドメインシフト、seenクラスへのバイアスなどの主要な課題に対処し、calibrated stackingや novelty detectors のような緩和戦略を説明する。

実験結果

リサーチクエスチョン

• RQ1 Generalized Zero-Shot Learningにおけるコアな問題定式化と設定（inductive vs. transductive）は何か？
• RQ2 GZSL手法は体系的にどのように分類でき、各カテゴリの代表的なモデルは何か？
• RQ3 GZSL研究を推進するデータセット、ベンチマーク、応用は何か、現在の実践にはどのようなギャップが存在するか？
• RQ4 主な課題（ハブネス、ドメインシフト、バイアス）は何か、GZSLでそれらをどう緩和できるか？
• RQ5 GZSLの今後の研究で最も有望な方向性は何か？

主な発見

• 本論文はGZSL手法の初の詳細で包括的なレビューと分析を提供する。
• GZSL技術の階層的分類と代表的なモデルおよび実世界の応用を提供する。
• ベンチマークデータセット、コンピュータビジョンとNLPの応用を議論し、研究ギャップと将来の方向性を特定する。
• ハブネス、射影ドメインシフト、seenクラスへのバイアスなどの主要な課題を強調し、calibrated stackingや novelty detection などの緩和戦略を概説する。
• embedding-based と generative-based アプローチを対比し、graph-based、meta-learning、attention-based などのサブカテゴリーを詳述する。