DAP和IAP

总结下我对DAP和IAP的理解

DAP和IAP

DAP模型：通过训练样本学习一组属性分类器直接预测测试样本的属性。
IAP模型：通过训练样本的类别（i.e.多分类器）间接预测测试样本的属性。
两者之间的区别:属性分类器的学习方式。DAP是一组分类器。IAP是多类别分类器。
相同之处：都是通过属性预测实现已知类（模式）向未知类（模式）的知识迁移。
IAP训练和测试过程：

DAP训练和测试过程：

属性分类器的训练过程

参考文献：乔雪.基于属性学习的零样本图像分类研究[D].中国矿业大学

对DAP模型测试数据类预测的公式的具体化理解

利用上面这个公式，可以利用测试数据通过贝叶斯公式反求出该数据的类标签。但是在我对这个公式进行推导的过程中，式中对式子中的求和符号和连乘符号的变化无法理解，后来才发现，可能使自己太过注重整体，而忽略了单一属性的原因。为了便于理解公式（1），我们可以将输入的测试数据看成z，尽管z表示类标签，但实际上z和训练数据x一样，本质上在属性分类器中所利用的信息都是底层数据特征，进而根据与获取的正负样本的底层特征进行对比（求向量之间的距离），得到属性。设测试数据的属性集合为：
设训练数据的属性集合为：

我们要求测试集合中只有第一个数据（a1z）与训练数据的属性相同（可以是a1，也可以是a2，a3等等，这个无所谓），在这种情况下，对于文献【2】中的公式：

我们可以更好的理解这个表示了训练数据属性和测试数属性的对应关系，换句话说，在我的属性一对一假设的中，有以下式子成立：

在这种条件下，我们推到下公式（1）：
上面的证明过程分别证明了公式（1）等号两边的内容（其中第一个式子中的p（z*a1）中a=1）。

标签分配的问题（都是利用的MAP最大后验证的方法）
DAP:分配的是unseen或者seen的标签。

IAP:分配的是unseen的标签。