Fugu-MT 論文翻訳(概要): Few-Shot Inspired Generative Zero-Shot Learning

論文の概要: Few-Shot Inspired Generative Zero-Shot Learning

arxiv url: http://arxiv.org/abs/2507.01026v1
Date: Wed, 18 Jun 2025 02:39:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-07 02:47:44.419314
Title: Few-Shot Inspired Generative Zero-Shot Learning
Title（参考訳）: ゼロショット学習にインスパイアされたFew-Shot
Authors: Md Shakil Ahamed Shohag, Q. M. Jonathan Wu, Farhad Pourpanah,
Abstract要約: ジェネレーティブゼロショット学習(ZSL)法は通常、目に見えないクラスの視覚的特徴を合成する。 FSIGenZは,大規模特徴合成への依存度を低減した,数発のショットインスパイアされた生成型ZSLフレームワークである。 SUN、AwA2、CUBベンチマークの実験は、FSIGenZがはるかに少ない合成機能を使用して競合性能を達成することを示した。
参考スコア（独自算出の注目度）: 14.66239393852298
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative zero-shot learning (ZSL) methods typically synthesize visual features for unseen classes using predefined semantic attributes, followed by training a fully supervised classification model. While effective, these methods require substantial computational resources and extensive synthetic data, thereby relaxing the original ZSL assumptions. In this paper, we propose FSIGenZ, a few-shot-inspired generative ZSL framework that reduces reliance on large-scale feature synthesis. Our key insight is that class-level attributes exhibit instance-level variability, i.e., some attributes may be absent or partially visible, yet conventional ZSL methods treat them as uniformly present. To address this, we introduce Model-Specific Attribute Scoring (MSAS), which dynamically re-scores class attributes based on model-specific optimization to approximate instance-level variability without access to unseen data. We further estimate group-level prototypes as clusters of instances based on MSAS-adjusted attribute scores, which serve as representative synthetic features for each unseen class. To mitigate the resulting data imbalance, we introduce a Dual-Purpose Semantic Regularization (DPSR) strategy while training a semantic-aware contrastive classifier (SCC) using these prototypes. Experiments on SUN, AwA2, and CUB benchmarks demonstrate that FSIGenZ achieves competitive performance using far fewer synthetic features.
Abstract（参考訳）: ジェネレーティブゼロショット学習(ZSL)法は通常、定義済みのセマンティック属性を使用して、目に見えないクラスの視覚的特徴を合成し、その後、完全に教師付き分類モデルを訓練する。これらの手法は有効であるが、かなりの計算資源と膨大な合成データを必要とするため、元のZSL仮定を緩和する。本稿では,FSIGenZを提案する。FSIGenZは,大規模特徴合成への依存を減らす,数発のショットインスパイアされたZSLフレームワークである。我々のキーとなる洞察は、クラスレベルの属性はインスタンスレベルの可変性を示す、すなわち、いくつかの属性は欠如しているか、部分的に見えている可能性があるが、従来のZSLメソッドはそれらを一様に存在するものとして扱う。これを解決するために,モデル固有の最適化に基づいて,クラス属性を動的に再スコアし,インスタンスレベルの変動を未確認データにアクセスすることなく近似するMSAS(Model-Specific Attribute Scoring)を導入する。さらに,MSAS調整属性スコアに基づいて,グループレベルのプロトタイプをインスタンスのクラスタとして推定する。得られたデータ不均衡を軽減するため、これらのプロトタイプを用いて意味認識型コントラスト分類器(SCC)を訓練しながら、Dual-Purpose Semantic Regularization(DPSR)戦略を導入する。 SUN、AwA2、CUBベンチマークの実験は、FSIGenZがはるかに少ない合成機能を使用して競合性能を達成することを示した。

関連論文リスト

Learning Clustering-based Prototypes for Compositional Zero-shot Learning [56.57299428499455]
ClusProは、コンポジションゼロショット学習のための堅牢なクラスタリングベースのプロトタイプマイニングフレームワークである。それは、多様化されたプロトタイプの集合を通じて、プリミティブの概念的境界を定義する。 ClusProは、学習可能なパラメータを追加することなく、非パラメトリックな方法でプロトタイプクラスタリングを効率的に実行する。
論文参考訳（メタデータ） (2025-02-10T14:20:01Z)
SEER-ZSL: Semantic Encoder-Enhanced Representations for Generalized Zero-Shot Learning [0.6792605600335813]
Zero-Shot Learning (ZSL)は、トレーニング中に見えないカテゴリを特定するという課題を示す。ゼロショット学習のためのセマンティック強化表現(SEER-ZSL)を提案する。まず,確率的エンコーダを用いて意味のある意味情報を抽出し,意味的一貫性とロバスト性を高めることを目的とする。第2に、学習したデータ分布を逆向きに訓練した発電機で利用することにより、視覚空間を蒸留し、第3に、未確認なカテゴリを真のデータ多様体にマッピングできるようにする。
論文参考訳（メタデータ） (2023-12-20T15:18:51Z)
Meta-Learned Attribute Self-Interaction Network for Continual and Generalized Zero-Shot Learning [46.6282595346048]
ゼロショット学習(ZSL)は、トレーニング中のカテゴリーを見えないものに一般化するための有望なアプローチである。連続的なZSLのためのMAIN(Meta-learned Attribute Self-Interaction Network)を提案する。メタラーニングと属性エンコーダの逆正則化を用いて学習した属性をペアリングすることで、未知のクラス属性を活用することなく、最先端の成果を達成できる。
論文参考訳（メタデータ） (2023-12-02T16:23:01Z)
Hierarchical Visual Primitive Experts for Compositional Zero-Shot Learning [52.506434446439776]
合成ゼロショット学習(CZSL)は、既知のプリミティブ(属性とオブジェクト)の事前知識で構成を認識することを目的としている。このような問題に対処するために,コンポジショントランスフォーマー(CoT)と呼ばれるシンプルでスケーラブルなフレームワークを提案する。提案手法は,MIT-States,C-GQA,VAW-CZSLなど,いくつかのベンチマークでSoTA性能を実現する。
論文参考訳（メタデータ） (2023-08-08T03:24:21Z)
Evolving Semantic Prototype Improves Generative Zero-Shot Learning [73.07035277030573]
ゼロショット学習(ZSL)では、生成法は事前に定義されたセマンティックプロトタイプに基づいてクラス関連サンプル特徴を合成する。各クラスの事前定義されたセマンティックプロトタイプは、実際のセマンティックプロトタイプと正確に一致しない。本稿では,経験的に定義された意味的プロトタイプと,クラス関連特徴合成のための実際のプロトタイプを整合させる動的意味的プロトタイプ(DSP)法を提案する。
論文参考訳（メタデータ） (2023-06-12T08:11:06Z)
Boosting Generative Zero-Shot Learning by Synthesizing Diverse Features with Attribute Augmentation [21.72622601533585]
多様な特徴を合成してゼロショット学習(ZSL)を促進する新しいフレームワークを提案する。本手法は,視覚特徴の実際の分布をシミュレートするために,拡張意味属性を用いて生成モデルを訓練する。提案したモデルを4つのベンチマークデータセット上で評価し,現状に対する大幅な性能改善を観察した。
論文参考訳（メタデータ） (2021-12-23T14:32:51Z)
Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文参考訳（メタデータ） (2021-11-18T06:58:19Z)
Attribute-Modulated Generative Meta Learning for Zero-Shot Classification [52.64680991682722]
ゼロショット学習のためのAttribute-Modulated GenerAtive Meta-modelを提案する。本モデルは属性対応変調ネットワークと属性対応生成ネットワークから構成される。実験により,AMAZはZSLで3.8%,ZSLで5.1%改善し,ZSL設定を一般化した。
論文参考訳（メタデータ） (2021-04-22T04:16:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。