[논문 리뷰] A Review of Generalized Zero-Shot Learning Methods

Farhad Pourpanah, Moloud Abdar외 6명|arXiv (Cornell University)|2020. 11. 17.

Domain Adaptation and Few-Shot Learning참고 문헌 229인용 수 83

한 줄 요약

이 논문은 Generalized Zero-Shot Learning(GZSL)에 대한 포괄적 조사, 방법의 계층적 분류 체계 제안, 데이터셋, 응용, 도전 과제 및 향후 방향에 대해 다룬다.

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.

연구 동기 및 목표

• GZSL의 문제 구성, 도전 과제 및 사용되는 시맨틱 정보 등을 포함한 포괄적 검토를 제공한다.
• 대표 모델과 응용 사례를 포함한 GZSL 방법의 계층적 분류 체계를 도입한다.
• 벤치마크 데이터셋과 도메인 간 응용을 논의하고 현 실무의 연구 격차를 식별한다.
• GZSL의 편향 및 도메인 시프트 해결을 위한 향후 연구 방향을 제시한다.

제안 방법

• 임베딩 기반 방법과 생성 기반 방법으로 GZSL 접근법을 분류하고, 임베딩 기반 방법을 그래프 기반, 어텐션 기반, 오토인코더 기반, 메타러닝, 구성적, 양방향으로 추가 분류한다.
• Seen/Unseen 클래스의 문제 구성, inductive vs. transductive 설정, 및 보정 전략을 논의한다.
• 시맨틱 정보(속성, 단어 벡터)와 임베딩 공간(시맨틱, 시각, 잠재)을 교차 도메인 매핑 구축에서의 역할을 설명한다.
• 허브니스(hubness), 프로젝션 도메인 시프트(projection domain shift), 그리고 Seen 클래스에 대한 편향과 같은 핵심 도전과제를 다루고, calibration된 스태킹(calibrated stacking) 및 신규성 탐지기와 같은 완화 전략을 제시한다.

실험 결과

연구 질문

• RQ1 일반화된 제로샷 학습에서 핵심 문제 구성 및 설정(유도적 vs. 전이적)은 무엇인가?
• RQ2 GZSL 방법을 어떻게 체계적으로 분류할 수 있으며 각 범주에서 대표 모델은 무엇인가?
• RQ3 데이터셋, 벤치마크, 응용은 GZSL 연구를 주도하고 있으며 현 실무에서 어떤 격차가 존재하는가?
• RQ4 주요 도전과제(허브니스, 도메인 시프트, 편향)를 어떻게 완화할 수 있으며 GZSL에서?
• RQ5 GZSL의 향후 연구에 가장 유망한 방향은 무엇인가?

주요 결과

• 이 논문은 GZSL 방법에 대한 최초의 심층적이고 포괄적인 리뷰 및 분석을 제공합니다.
• 대표 모델과 실제 응용 사례를 포함한 GZSL 기술의 계층적 분류 체계를 제시합니다.
• 벤치마크 데이터셋, 컴퓨터 비전 및 NLP 응용을 논의하고 연구 격차와 향후 방향을 식별합니다.
• 허브니스, 프로젝션 도메인 시프트, Seen 클래스 편향과 같은 핵심 도전과제와 보정 스태킹 및 신규성 탐지와 같은 완화 전략을 강조합니다.
• 임베딩 기반과 생성 기반 접근법을 대조하고 그래프 기반, 메타러닝, 어텐션 기반과 같은 하위 범주를 상세히 설명합니다.