Zero shot Learning 论文学习笔记（未完待续）

admin管理员组

文章数量:1564685

Zero shot Learning 论文学习笔记

• 前言
• zero-shot learning
• • Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer
  • Label-Embedding for Attribute-Based Classification
  • An embarrassingly simple approach to zero-shot learning
  • Transductive Multi-View Zero-Shot Learning
  • Zero-shot recognition using dual visualsemantic mapping paths
  • Predicting visual exemplars of unseen classes for zero-shot learning
  • Semantic AutoEncoder for Zero-Shot Learning
  • Zero-Shot Learning - A Comprehensive Evaluation of the Good, the Bad and the Ugly
  • Zero-Shot Learning via Class-Conditioned Deep Generative Models
  • Preserving Semantic Relations for Zero-Shot Learning
  • Recent Advances in Zero-shot Recognition

前言

我跨过山河大海，也穿过人山人海…然而前面还是高山大海，人山人海。初入机器学习的大门，爬上DEEPLEARNING的高山，发现前面还是高山，更多，更高，更难爬…ZST就是一座待爬的高山，很显然，“不学习就会ZST”，“或者一学就会OST”的愿景是美好的，正如小时候看的武侠小说和电影里讲的回梦心经等等神奇武功，但现实却告诉你，要想达成这样的本领，你要学的就更多了，学多了就可以触类旁通，事半功倍，机器学习也是这个道理。知乎专栏里的前辈分享了一篇博文零次学习（Zero-Shot Learning）入门，给我们准备了爬山的攻略，我就跟着前人的脚步，试读一下这十篇ZST的论文，跟着前辈啃paper，顺便做个读书笔记，看看能不能对这个问题收获一知半解，找到解决我困境的钥匙，再次突破自我。

zero-shot learning

ZSL在人类世界中是存在的，比如今早在地铁上看到一位姑娘，虽然她带着口罩，以前从未见过，我也断定这是个美女，为什么呢？因为在我的脑海里，美女都有白皙的皮肤，苗条的身段，还有一双清澈透明，会说话的眼睛…其实讲到这里，zero-shot的思想也就有了眉目，正如经典的斑马问题，虽然大多数人没有见过斑马，但是拥有马的外形和黑白相间的线条两个显著的特征，人类就可以推断出这是斑马，机器只要在学习特征和未训练标签再做一次决策树之类的分类，就能得出这样的推论。故事还没有讲完，其实你刚才看到的美女是不是真的美女还要看她摘到口罩的样子，也许口罩下面的朝天鼻，大板牙或者其他缺陷顿时让你的大跌眼镜，也就是说，zst这种由此及彼的推断肯定会有误差。

Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer

这是2009年（人工智能boost次世代前夕）的文章，学习网络用的还是SVM，所以文章也没有大篇幅的吹嘘神经网络的神奇，而是很朴素的提出了自己的基于属性学习的分类观点：Attribute-Based Classification。文中提到了人类能至少识别出30000个相关目标的类别，然后用斑马的例子引出了他的观点，其主要的工作和贡献就在下图里讲述了，即DAP-直接特征学习和IAP-间接特征学习。DAP是比较直观的，各种特征被平等对待。而IAP对特征做了一层中间层，可以理解为对特征做了加权处理，很像DP中的预训练，冻结层之后做转移学习的场景，这显然像一个全连接层。

英文中关于attribute和feature在文中分的比较清，但6级英语水平的我很显然对此有些困惑。翻遍了baidu和谷歌也是见仁见智，嗨。最后找一篇stanford大学网站机器学习术语表关于两者的阐述：

An attribute has a domain defined by the attribute type, which denotes the values that can be taken by an attribute.
A feature is the specification of an attribute and its value. 
For example, color is an attribute. ``Color is blue'' is a feature of an example. 

差强人意的理解一下，但feature, attribute两个概念将贯穿整个系列论文的学习中，慢慢领悟吧。

Label-Embedding for Attribute-Based Classification

这篇论文诞生于2013年，算是比较早期的文章，作者对属性Attributes在机器学习领域有个很具体的定义，属性Attributes是机器学习的中间表示，这个表示允许参数（我理解为feature特征）在不同的类别之间分享。基于此，论文将基于属性的图像分类当做了一种标签嵌入（向量）问题，每一个类别被嵌入到一个属性向量空间。我觉得这个Abstract写的非常好，原文如下：

Attributes are an intermediate representation, which en-ables  parameter  sharing  between  classes,  a  must  when training 
data is scarce. We propose to view attribute-basedimage classification as a label-embedding problem:  each class  is  embedded 
in  the  space  of  attribute  vectors.   Weintroduce a function which measures the compatibility be-tween an image and a label 
embedding. The parameters ofthis function are learned on a training set of labeled sam-ples to ensure that, given an image, 
thecorrect classes rankhigher than the incorrect ones. Results on the Animals WithAttributes and Caltech-UCSD-Birds datasets 
show that theproposed  framework  outperforms  the  standard  Direct  At-tribute Prediction baseline in a zero-shot learning 
scenario.The  label  embedding  framework  offers  other  advantagessuch as the ability to leverage alternative sources 
of infor-mation in addition to attributes (e.g. class hierarchies) orto transition smoothly from zero-shot learning to learningwith large 
quantities of data.

本文提出了Label embedding，就是利用Attributes作为参考信息（side information），将标签embedding到欧拉空间，然后定义函数F，做一个训练集和label embedding的分类映射。
Attributes和classes之间的相关性应该是ZST永恒的主题，所以此文也再次强调了一下，另外也提到了直推式学习（transductive learning）以及当时一些方法的限制和问题，然后推出了自己的嵌入分类系统（a taxonomy of embeddings），也就是上图所示的 φ \varphi φ，输出系统的嵌入。作者提出了三种嵌入方式：
Data-independent embeddings
learned embeddings
Embeddings derived from side information
上面三种方法不展开分析了，作者是讲重点放在第三种的side information上。初步读下来这是一篇基于之前DAP的传统机器学习方法，联系当前的主流end2end学习方法，没看到有太多可以借鉴的地方。

An embarrassingly simple approach to zero-shot learning

这篇文章成文与2015年，文章的作者认为Attributes是中间语义层（intermediate semantic layer），而ZSL就是一种设计用来学习中间语义层的方法。文中还用signature来特指一个类别的属性描述，我认为这个signature是一些列feature的组合。很清晰的提出可以分训练阶段和预测阶段提高zero shot能力。这篇论文的Related Work还是对zero shot做了很多的篇幅的介绍，还强化了Attributes learnings的定义。这篇论文其实是对上一篇文章（不在之前推荐的10篇）改良，很大篇幅介绍了一下上篇文章做了两层映射，而本文主要是在此基础上，对于正则化方法（regularizer）的选择，或者说采用了不同的loss函数和regularizer，结果就是令学习能力得到了很大的提高。
文中的基础阐述部分总结了ZSL的方法是建立在转移学习和域自适应基础上的，与转移学习和直推式学习类似，ZSL也是提取源数据的通用属性，利用属性的特征来推断新的目标，差别则是ZSL没有目标的训练数据，而转移学习通常有完整的标注数据集合做训练。而域自适应的目标是从一个域学习一个函数，能够在不同的域中实现功能（分类)。具体loss函数和正则化方法暂不做深入研究。

Transductive Multi-View Zero-Shot Learning

这个文章讲到了域漂移（shift、bias）的问题（projection domain shift），提出了用转移直推（transductive）多视角的ZSL去避免。还提到原型稀疏性（prototype sparsity），以及对付它的多层次多视角超图标签扩展方法（eterogeneousmulti-view hypergraph label propagation method），听起来就高大上。

Zero-shot recognition using dual visualsemantic mapping paths

Predicting visual exemplars of unseen classes for zero-shot learning

Semantic AutoEncoder for Zero-Shot Learning

这个自动编解码器（SAE）结构是为了解决空间投射域漂移的问题，编码投射可视化的特征向量进入语音空间，这点与其他的zsl模型类似，而增加的解码器是从语义空间重建出原始的可视化特征空间，这有点像经典的“充分-必要条件”问题，通过这种对称映射，对目标域（语义空间）做出了一个强烈的限制，而实验也给出了这个方法是有效的结论。这种方法的范式基础是新增加的解码器限定条件是的目标（语义）空间能够不损失原来可视化特征空间的信息（重建可视化空间）
如图S空间为投射空间，W则是从特征空间到投射空间的线性变换矩阵，即 W X = S WX=S WX=S这样待优化的目标函数为：
m i n W , W ∗ ∣ ∣ X − W ∗ W X ∣ ∣ F 2 min_{W,W^*}||X-W^*WX||^2_F minW,W∗​∣∣X−W∗WX∣∣F2​
作者用tied weight技巧，令 W ∗ = W T W^*=W^T W∗=WT，从而所谓的编解码器避免了训练两个网络，但tied weight技巧需要时间来理解，姑且用之。目标函数

m i n W , W ∗ ∣ ∣ X − W T W X ∣ ∣ F 2 min_{W,W^*}||X-W^TWX||^2_F minW,W∗​∣∣X−WTWX∣∣F2​
这样就是获得W令目标函数最小的优化问题了，具体又加了以及编码损失优化，最后的出如下公式
m i n W , W ∗ ∣ ∣ X − W T S ∣ ∣ F 2 + λ ∣ ∣ W X − S ∣ ∣ F 2 min_{W,W^*}||X-W^TS||^2_F+\lambda||WX-S||^2_F minW,W∗​∣∣X−WTS∣∣F2​+λ∣∣WX−S∣∣F2​
西尔维斯特方程（Sylvester equation）求解等问题暂略去。该文章为域漂移问题解决提供了好的思路和实践。

Zero-Shot Learning - A Comprehensive Evaluation of the Good, the Bad and the Ugly

Zero-Shot Learning via Class-Conditioned Deep Generative Models

Preserving Semantic Relations for Zero-Shot Learning

这篇08年发表的文章已经采用了流行的encoder-decoder结构了。此文Introduction介绍了几种主流的zsl方法：

1. bilinear compatibility frameworks：双线性兼容框架，比如（图像）特征和分类嵌入向量评分法，用一个固定的margin来评定分类是否正确，用度量学习离得contrastive loss类比一下。这个方法显然有点不那么灵光。
2. 嵌入空前岭回归法，即嵌入图像特征or属性向量进入预定义的嵌入空间，然后构造岭回归或者均方差损失函数。这个方法对于嵌入空间的选择要求很高。通俗的将如果语法空间（semantic space）用作嵌入空间，因为其被属性所贯穿（spanned），所以这些语法结构被保留，引起了枢纽点问题；可以利用映射分类嵌入到图像特征（视觉空间）所贯穿的空间方法来缓解【特征、属性再一次傻傻分不清了】，但特征空间有没有了语法属性，逃不出类别的圈子（只是类别中的一个）。
3. 流形学习（manifold learning）以及转移学习方法。

作者觉得区分类别的能力和继承语法空间属性是鱼和熊掌，当前的办法只能选择其一，而利用此文的办法是利用an encoder-decoder multilayer perceptron framework保证了二者得兼，好腻害啊。那么是如何实现的呢？语法空间的架构与嵌入空间的纽带是通过identical、semntically similar和seman-tically dissimilar实现的，（到这里我越来越觉得像triplets了）看看下图，大致感受一下，因为还有一些正则方法，所以想看懂图，还得结合文章一起看。

首先将visual space定义为embedding空间（就是将每个图像变换为一组带标签的向量），编码器生成semantic space向量（嵌入），如图所示，定义斑马的语法空间向量是 y r y_r yr​，斑马 x i x_i xi​，其他马 x j x_j xj​和其他动物 x k x_k xk​编码到语法空间为 y i y_i yi​， y j y_j yj​和 y k y_k yk​，这样 y r y_r yr​， y i y_i yi​， y j y_j yj​和 y k y_k yk​构成了四元组，模仿quadruplets方法设计loss函数，就完成了基本的语义空间映射。具体实现的时候增加了decoder，将 y r y_r yr​重建后作为一种正则化方法（还要品品）。在选择采样方法的时候还有很多mining策略，不一一细说了。

Recent Advances in Zero-shot Recognition

本文标签： 未完学习笔记论文ShotLearning