generalized zero-shot learning
Generalized zero-shot learning (GZSL) er en læringsteknik, hvor modellen under testning klassificerer både sete og hidtil usete klasser, i modsætning til traditionel zero-shot learning, der kun tester på usete klasser.
Kort fortalt
Kort fortalt: GZSL udvider zero-shot learning ved at kræve, at modellen kan genkende både klasser, den har set under træning, og helt nye klasser, den ikke har set før.
- Kategori
- teknik
- Niveau
- øvet
Betydninger
1- 1
Læringsteknik, hvor modellen under testning skal klassificere eksempler fra både klasser, der var til stede under træning (sete), og klasser, der ikke var til stede (usete), ved hjælp af en semantisk beskrivelse (f.eks. attributter eller ordindlejringer).
- I GZSL kan en model, trænet på billeder af katte og hunde, også genkende en ny art som en ulv, hvis den får en semantisk beskrivelse.
- Udfordringen i GZSL er bias mod sete klasser, da modellen har tendens til at favorisere dem.
Hvornår bruges det
GZSL anvendes i scenarier, hvor det er urealistisk kun at teste på usete klasser, f.eks. i billedgenkendelse, hvor nye objekter optræder sammen med kendte. Modellen skal derfor balancere mellem at genkende kendte og opdage nye klasser.
Oprindelse
Termen er en udvidelse af 'zero-shot learning' og blev introduceret for at adressere mere realistiske klassifikationsopgaver, hvor både sete og usete klasser optræder.