#今日论文推荐# IJCAI 2022 | 用一行代码大幅提升零样本学习方法效果，南京理工&牛津提出即插即用分类器模块

#今日论文推荐# IJCAI 2022 | 用一行代码大幅提升零样本学习方法效果，南京理工&牛津提出即插即用分类器模块

来自南京理工大学和牛津大学的研究者提出了一个即插即用的分类器模块，只需修改一行代码就能大幅提升生成型零样本学习方法的效果，减少了分类器对于生成伪样本质量的依赖。
零样本学习（Zero-Shot Learning）聚焦于对训练过程中没有出现过的类别进行分类，基于语义描述的零样本学习通过预先定义的每个类别的高阶语义信息来实现从可见类（seen class）到未见类（unseen class）的知识迁移。传统零样本学习在测试阶段仅需要对未见类进行识别，而广义零样本学习（GZSL）需要同时识别可见类和未见类，其评测指标是可见类类平均准确率与未见类类平均准确率的调和平均。
一种通用的零样本学习策略是使用可见类样本和语义训练从语义空间到视觉样本空间的条件生成模型，再借助未见类语义生成未见类的伪样本，最后使用可见类样本和未见类伪样本训练分类网络。
然而，要学习两个模态（语义模态与视觉模态）间的良好映射关系通常需要大量样本（参照 CLIP），这在传统零样本学习环境下无法实现。因此，使用未见类语义生成的视觉样本分布通常和真实样本分布存在偏差（bias），这意味着以下两点：1. 这种方法获得的未见类准确率有限。2. 在未见类平均每类生成伪样本数量与可见类平均每类样本数量相当的情况下，未见类准确率与可见类准确率存在较大差值。

论文题目：Zero-Shot Logit Adjustment
详细解读：https://www.aminer.cn/research_report/62ba849a7cb68b460fdd91e0https://www.aminer.cn/research_report/62ba849a7cb68b460fdd91e0
AMiner链接：https://www.aminer.cn/?f=cs