学习zero-shot learning中Xtest的分类去向的一点点小理解

zero-shot learning的目的是为了用很少的一部分的Xtrain来得到很好的训练效果,当新的从未见过的Xtest进入时,也可以得到很好的结果

       具体做法为将X映射到一个attribute space,然后再从attribute space得到对应的class,然后新的数据Xtest进入时,通过抓取到其attribute,就可以对X做出很好的描述,为什么这样做呢?因为当人类碰到一个从未见过的东西时,也是基于我们所熟知的东西的特点去描述,比如说它某个部分像香蕉这类,而映射到attribute space就是想模仿这样

        个人在学习时,碰到的一个问题就是当我们训练的是Xtrain时,也就是说我们有的class是仅仅针对Xtrain的,那么新来的数据我们该给它归为什么类呢?(因为训练时没有它的类),经过阅读文献后发现,我们得到的原始数据中就有Xtrain,Xtrain对应的attribute和classes,最重要的是我们还有Xtest的attribute和class,所以我们想要的都是有的,我们的工作就在于如何能让Xtest也能训练得到很好的attribute,这个问题就有点像迁移学习了。。。


你可能感兴趣的:(学习zero-shot learning中Xtest的分类去向的一点点小理解)