期刊在线咨询服务,发表咨询:400-888-9411 订阅咨询:400-888-1571股权代码(211862)
关键词:零样本学习 生成模型 跨模态生成 跨域对抗学习 联合模型
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.
计算机研究与发展杂志要求:
{1}摘要200字左右,应具有独立性和自明性,阐明撰写该文的目的、方法、结论并体现出原创性,不加引注。
{2}来稿请恪守学术道德,严禁抄袭。
{3}来稿经审查后,编辑部有权对来稿作适当文字修改.来稿不退,请作者自留底稿。
{4}间接引文通常以“参见”或“详见”等引领词引导,反映出与正文行文的呼应,标注时应注出具体参考引证的起止页码或章节。标注项目、顺序与格式同直接引文。
{5}本期刊的文献引证方式均采用页下注(脚注),采用小五号宋体,每页单独编号,注释中卷次、出版时间、刊期、页码一律用阿拉伯数字表示。
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社