ECCV 2018 Selective Zero-Shot Classification with Augmented Attributes

亮点：零样本在选择性分类场景下的应用。

---

前两天，看了李宏毅老师的机器学习2019的视频，里面提到了异常检测。深度学习将各种任务的精度提升到了一个高度。但是，想要在实际中应用，会遇到各种问题，比如攻击。给定一个样本，模型能够判定这个样本是个异常样本，而不是随便给定一个标签？

问题： 论文引入了一个选择性零样本分类问题：如何让分类器避免不确定的预测？现有方法在选择性分类场景下性能很差。
分析： 我们认为这是不完备的人类定义属性字典造成的。
方法： 我们提出了一个选择性零样本分类器，基于人类定义属性和自动发现剩余属性。

1. 首先，通过联合学习定义和剩余属性，构建提出的分类器。
2. 然后，在定义属性子空间执行预测。
3. 最后，预测置信度通过定义和剩余属性测量。

度量： 风险-覆盖平衡。

论文下载地址

---

---

1 Introduction

已见类，未见类是指什么？
零样本分类（ZSC）解决的是识别新类的图片，这些新类在训练中并没有见过。见或者不见，指的是模型见没见过。

选择性分类场景是什么？
选择性分类通过拒绝/丢掉低于置信度阈值的样本来提升分类准确率，以此来降低错误分类的风险。选择性分类包含两个部分：分类器、置信度函数。

为什么选择性分类在ZSC中很重要？

1. ZSC不如全监督分类精度高，所以在Selective ZSC中更难。
2. 实验6.3中说明，现有ZSC方法没有自我意识。【不能判断预测的置信度】
3. 选择性分类在实际中很重要，但是在Selective ZSC中还在研究中。

关于分类：
论文通过字典学习扩增属性，得到由定义属性和剩余属性定义的增强属性空间。但是，论文中只使用定义属性来进行分类，没有用剩余属性。

其实，Discriminative Learning of Latent Features for Zero-Shot Recognition中分类是用的定义属性+隐含属性。

关于置信度函数：
置信度函数包含两个：一个是在定义属性上产生的置信度函数；一个是基于定义属性和剩余属性一致性的置信度函数。

---

2 Related Work

2.3 Selective Classification

背景：最近几年AI研究社区很关注安全问题。研究者发现深度神经网络很容易被对抗样本欺骗。跟随他们的工作，许多方法提出构建更鲁棒的分类器。

在选择性分类中，不同分类器的置信度分数定义方式不同。生成式分类模型是概率的，自然能提供置信度分数。但是，判别式分类模型不能直接得到预测的概率，而是使用分概率分数，如SVM分类器中的间隔、深度神经网络中的softmax输出。

在这篇论文中，我们提出利用剩余属性来补充定义属性的局限，使得分类器更有自我意识。

---

3 Problem Formulation of Selective Zero-Shot Classification

选择性分类器：($f,g$),其中$f$是一个标准的零样本分类器，$g:\mathcal{X}\mapsto \{0,1\}$是一个选择性函数,一般定义为$g(x)=1\{conf(x)>\tau \}$,conf是置信度函数$\tau$是置信度阈值，1是指示函数。给定一个样本 $\mathrm{x}$,

$$(f,g)\triangleq \{\begin{array}{rlr}f(x),& & g(x)=1\\ reject,& & g(x)=0\end{array}\text{\hspace{1em}(1)}$$

---

4 The Proposed Selective Zero-Shot Classifier

4.1 Zero-Shot Classifier $f$ 零样本分类器

给定一张测试图像的预测属性的预测值$\hat{d}$，分类器$f$是通过一定形式的最近邻构建的：

$$\hat{y}=\arg \underset{k\in {\mathcal{Y}}_u}{\max }sim(\hat{d},d^k)$$

4.2 Confidence Function 信心函数

$$conf=(1-\lambda )con{f}_d+\lambda con{f}_r\text{\hspace{1em}(7)}$$

信心函数1
人工定义的属性子空间定义了相似度函数sim，预测值的置信度可以定义为如下相似度分数：

$$con{f}_d=sim(\hat{d},d^k)\text{\hspace{1em}(3)}$$

信息函数2
$$con{f}_d=sim({\hat{s}}_d,s_r)\text{\hspace{1em}(6)}$$

$$s_d=\arg \underset{s}{\min }\{\frac{\gamma }{2}||\mathrm{s}|{|}^2+\frac{1}{2}||\hat{\mathrm{d}}-{\mathrm{D}}_{\mathrm{o}}\mathrm{s}|{|}_{\mathrm{F}}^2\},\text{\hspace{1em}(4)}$$

$$s_r=\arg \underset{s}{\min }\{\frac{\gamma }{2}||\mathrm{s}|{|}^2+\frac{1}{2}||\hat{\mathrm{r}}-{\mathrm{R}}_{\mathrm{o}}\mathrm{s}|{|}_{\mathrm{F}}^2\}.\text{\hspace{1em}(5)}$$

$D_s$训练数据$X_s$的定义属性标注 $D_s\in {\mathbb{R}}^{K_d\times N_s}$；$D_o$是已见类$$的定义属性标注 $D_o\in {\mathbb{R}}^{K_d\times |{\mathcal{Y}}_s|}$

给定未见类的一张图片，将测试图片喂给属性预测模型，我们可以得到测试图片的增强属性表示$([\hat{d};\hat{r}])$。用这个属性表示，可以计算两个相似度向量$(s_d,s_r)$：其中，$s_d$是定义属性的，$s_r$是剩余属性。在这些相似度向量中，第$k$维的值度量了预测属性和第$k$类属性表示的相似度。

---

5 Augmented Attribute Learning

论文将增强属性学习任务看作一个字典学习问题。

---

6 Experiments

6.1 Datasets and Settings

Evaluation Metrics 评价标准
分类器的性能用覆盖率和风险来量化。

覆盖率定义为${\mathcal{X}}_u$(不可见类的特征空间)中未拒绝区域的概率质量;

$$coverage(f,g)\triangleq E_p[g(x)]\text{\hspace{1em}(19)}$$

$(f,g)$的选择性风险定义如下：

$$risk(f,g)\triangleq \frac{E_p[\ell (f(x),y)g(x)]}{coverage(f,g)}\text{\hspace{1em}(20)}$$
其中，$\ell$定义的是0/1损失。风险可以用来平衡覆盖率。这样，选择性分类器的总体性能可以用风险-覆盖率曲线（Risk-Coverage Curve, RCC）来测量，其中风险被定义为覆盖率的函数。风险覆盖率曲线下面积（Area Under Risk-Coverage Curve, AURCC）通常用来量化性能。

6.2 Ablation Study 消融实验

三条准则的有效性：
考虑1条准则，LAD
考虑2条准则，SZSC${}^{-}$
考虑3条准则，SZSC，效果最好（AURCC值最低）。

不同$\lambda$下的风险-覆盖率曲线

不同的剩余属性的维度，对应的AURCC和$\lambda$变化。$K_r$越大，$\lambda$越大。说明$con{f}_r$很重要。

---

7 Conclusions and Future Work

本文研究的题目是一个重要但是没有被研究的问题：零样本分类能够去除不确定的预测值。

本文通过利用剩余属性和定义的属性来设计置信度函数，从而实现更安全的预测。

---