刘欢¹,郑庆华¹,罗敏楠¹,赵洪科²,肖阳³,吕彦章¹

¹(西安交通大学计算机科学与技术学院 西安 710049);²(天津大学管理与经济学部 天津 300072);³(综合业务网国家重点实验室(西安电子科技大学) 西安 710071) (huanliucs@gmail.com)

出版日期: 2019-12-01


基金资助:国家重点研发计划项目2018YFB1004500)；国家自然科学基金面上项目(61572399)；国家自然科学基金创新群体(61721002)；教育部创新团队(IRT_17R86)

Cross-Domain Adversarial Learning for Zero-Shot Classification

Liu Huan¹, Zheng Qinghua¹, Luo Minnan¹, Zhao Hongke², Xiao Yang³, Lü Yanzhang¹

¹(School of Computer Science and Technology, Xi’an Jiaotong University, Xi’an 710049);²(College of Management and Economics, Tianjin University, Tianjin 300072);³(State Key Laboratory of Integrated Services Networks (Xidian University), Xi’an 710071)

Online: 2019-12-01

摘要/Abstract

摘要： 零样本学习旨在识别具有少量、甚至没有训练样本的未见类，这些类与可见类遵循不同的数据分布.最近，随着深度神经网络在跨模态生成方面的成功，使用合成的样本对未见数据进行分类取得了巨大突破.现有方法通过共享生成器和解码器，联合传统生成对抗网络和变分自编码器来实现样本的合成.然而，由于这2种生成网络产生的数据分布不同，联合模型合成的数据遵循复杂的多域分布.针对这个问题，提出跨域对抗生成网络(CrossD-AGN)，将传统生成对抗网络和变分自编码器有机结合起来，基于类级语义信息为未见类合成样本，从而实现零样本分类.提出跨域对抗学习机制，引入2个对称的跨域判别器，通过判断合成样本属于生成器域分布还是解码器域分布，促使联合模型中的生成器/解码器不断优化，提高样本合成能力.在多个真实数据集上进行了广泛的实验，结果表明了所提出方法在零样本学习上的有效性和优越性.

参考文献

相关文章 7

[1]	孙肖依, 刘华锋, 景丽萍, 于剑. 基于列表级排序的深度生成推荐方法[J]. 计算机研究与发展, 2020, 57(8): 1697-1706.
[2]	陈亚瑞, 蒋硕然, 杨巨成, 赵婷婷, 张传雷. 混合变分自编码[J]. 计算机研究与发展, 2020, 57(1): 136-144.
[3]	宋珂慧,张莹,张江伟,袁晓洁. 基于生成式对抗网络的结构化数据表生成模型[J]. 计算机研究与发展, 2019, 56(9): 1832-1842.
[4]	李全刚,刘峤,秦志光. 基于主题模型的通信网络建模与仿真[J]. 计算机研究与发展, 2016, 53(1): 206-215.
[5]	尹庆宇，张伟男，张宇，刘挺. 省略识别及恢复联合模型研究[J]. 计算机研究与发展, 2015, 52(11): 2460-2467.
[6]	王桢文 肖卫东 谭文堂. 基于概率生成模型的网络数据分类方法[J]. , 2013, 50(12): 2642-2650.
[7]	张晨逸, 孙建伶, 丁轶群,. 基于MB-LDA模型的微博主题挖掘[J]. , 2011, 48(10): 1795-1802.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4056