[论文解读] 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 83

一句话总结

本文提供了对广义零样本学习（GZSL）的全面综述，提出了一种分层方法分类，并讨论数据集、应用、挑战和未来方向。

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.

研究动机与目标

• 提供对GZSL的全面综述，包括问题设定、挑战以及使用的语义信息。
• 引入带有代表性模型和应用的GZSL方法分层分类。
• 讨论跨领域的基准数据集和应用，并识别研究空缺。
• 为GZSL的未来研究提供方向，以解决偏差和域转换问题。

提出的方法

• 将GZSL方法分为嵌入式方法和生成式方法，并进一步将嵌入式方法细分为图基、注意力基、自编码器基、元学习、组合式、双向等。
• 讨论有/无见类别的问题设定、感应式与传导式设置，以及校准策略。
• 解释语义信息（属性、词向量）以及嵌入空间（语义、视觉、潜在）在构建跨域映射中的作用。
• 解决关键挑战如hubness、投影域移位，以及对已见类别的偏向，并描述如校准堆叠和新颖检测等缓解策略。

实验结果

研究问题

• RQ1 在广义零样本学习中，核心问题设定和情形（感应式与传导式）是什么？
• RQ2 GZSL方法如何能系统性地进行分类，每个类别中的代表性模型有哪些？
• RQ3 哪些数据集、基准和应用推动GZSL研究，当前实践中存在哪些不足？
• RQ4 主要挑战（hubness、域移位、偏置）是什么，以及如何在GZSL中缓解它们？
• RQ5 未来GZSL工作的哪些方向最具前景？

主要发现

• 本文提供了对GZSL方法的首次深入、全面的综述与分析。
• 它提供了GZSL技术的分层分类，以及代表性模型和实际应用。
• 它讨论了基准数据集、计算机视觉和自然语言处理等领域的应用，并识别了研究空缺和未来方向。
• 它强调了核心挑战如hubness、投影域移位以及对已见类别的偏置，并对如校准堆叠与新颖性检测等缓解策略进行了综述。
• 它对比了嵌入式方法和生成式方法，并详细介绍了如基于图、元学习和基于注意力的方法等子类别。