[paper] Zero-Shot Learning with Semantic Output Codes [NIPS 2009]

Zero-Shot Learning with Semantic Output Codes [NIPS 2009]

zero-shot和one-shot：

在分类场景下（或序列标注或NLU），在已知的几个topic或domain内（domain A,B,C），已经训练出了性能较好的分类器。此时想解决针对新的domain D的分类问题，然而D domain的样本非常少（one-shot），或者没有（zero-shot）。此时如何根据ABC类别的样本，或MACHINE，生成D domain的machine，就是zero-shot model要解决的问题。

其实是transfer-learning的一种。

tansfer-learning核心思想：source-domain->pivot->general Feature Space->target-domain

典型应用场景：如图像检测，y的value太多，很难见到全部y和全部x。

成功案例：如语音识别，能识别OOV的词

核心问题：

omitted from the training set

核心思想：

define the notion of a semantic output code classifier (SOC) which utilizes a knowledge base of semantic properties of Y to extrapolate to n