Permitir el aprendizaje generalizado de cero disparos hacia dominios invisibles mediante el aprendizaje intrínseco de...

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• El aprendizaje generalizado de tiro cero (GZSL) lucha con el cambio de dominio, donde las clases no vistas se clasifican erróneamente como clases vistas.
• Los métodos GZSL existentes se limitan a los dominios vistos y no abordan la generalización entre dominios.
• La asimetría de la información surge de la semántica de clase redundante, particularmente cuando se usan modelos de lenguaje grandes (LLM).

Objetivo del estudio:

• Abordar las limitaciones del GZSL existente mediante la introducción del aprendizaje generalizado de campo cruzado (CDGZSL).
• Desarrollar un método que permita GZSL en dominios no vistos mediante la construcción de un espacio de características comunes y la adquisición de semántica intrínseca compartida.
• Para mitigar la asimetría de la información causada por la semántica anotada por LLM en CDGZSL.

Principales métodos:

• Proponer el alineamiento semántico del meta dominio (MDASR) para CDGZSL.
• MDASR emplea la alineación de similitudes entre clases para eliminar la semántica no intrínseca basada en las relaciones de características entre clases.
• MDASR utiliza la meta generación de clases invisibles para preservar la semántica intrínseca y mantener la conectividad entre las clases visibles e invisibles a través de la generación de características simuladas.

Principales resultados:

• MDASR alinea efectivamente los espacios semánticos redundantes con los espacios de características comunes, reduciendo la asimetría de la información en CDGZSL.
• El método demuestra su eficacia en los conjuntos de datos Office-Home y Mini-DomainNet.
• El rendimiento también se validó en un conjunto de datos de animales raros multi-dominio auto-construido.

Conclusiones:

• MDASR ofrece una solución robusta para el aprendizaje generalizado de campo cruzado.
• El enfoque aborda con éxito los desafíos del cambio de dominio y la asimetría de la información semántica.
• La semántica compartida basada en LLM sirve como un punto de referencia valioso para la investigación futura en CDGZSL.