Evolutionary Generalized Zero-Shot Learning

要約

人工知能への道における未解決の問題は、既知から未知への一般化であり、一般化ゼロショット学習 (GZSL) タスクとしてインスタンス化されます。
この作業では、新しい進化的一般化ゼロショット学習設定を提案します。これは、(i) 誘導 GZSL のドメイン シフトの問題を回避し、(ii) 変換 GZSL よりも現実世界の展開のニーズに沿ったものです。
提案された設定では、初期パフォーマンスが低いゼロ ショット モデルは、適用中にオンライン進化を達成できます。
この特別なタスクの 3 つの課題、すなわち破局的忘却、初期予測バイアス、および進化的データ クラス バイアスについて詳しく説明します。
さらに、各課題に的を絞ったソリューションを提案し、その結果、特定の初期 IGZSL モデルで進化し続けることができる一般的な方法が得られます。
3 つの一般的な GZSL ベンチマーク データセットでの実験では、モデルがテスト データ ストリームから学習できる一方で、他のベースラインが失敗することが示されています。

要約(オリジナル)

An open problem on the path to artificial intelligence is generalization from the known to the unknown, which is instantiated as Generalized Zero-Shot Learning (GZSL) task. In this work, we propose a novel Evolutionary Generalized Zero-Shot Learning setting, which (i) avoids the domain shift problem in inductive GZSL, and (ii) is more in line with the needs of real-world deployments than transductive GZSL. In the proposed setting, a zero-shot model with poor initial performance is able to achieve online evolution during application. We elaborate on three challenges of this special task, i.e., catastrophic forgetting, initial prediction bias, and evolutionary data class bias. Moreover, we propose targeted solutions for each challenge, resulting in a generic method capable of continuing to evolve on a given initial IGZSL model. Experiments on three popular GZSL benchmark datasets show that our model can learn from the test data stream while other baselines fail.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google