零样本手写识别准确率飙升20%，15维就能搞定大词汇量！
A statistical approach to bias in zero-shot learning: the lens of handwriting recognition
📖 AI 总结
本文研究广义零样本学习（GZSL）中的偏差问题，以大规模词汇量的手写单词识别为切入点。传统GZSL方法因对训练中已见类别存在误分类偏差，难以扩展到大量未见类别。作者提出一种统计纠偏方法，将经典GZSL特征学习器视为黑箱，把判断数据点属于已见还是未见类别的问题类比为分布外推断问题。该方法采用两阶段分层架构：第一阶段使用经典GZSL黑箱，第二阶段集成多个轻量级蒙特卡洛偏差校正器；纠偏后，测试数据仅在预测的训练状态范围内，通过最近邻、逻辑回归和随机森林等统计方法进行分类。实验表明，未见单词的分类相对准确率较现有技术提升超过20%，且大规模词汇识别可采用约15维的低维表示。该研究还提供了数学分析支撑，且纠偏方法可作为即插即用模块与任意经典GZSL学习器结合，具有广泛的适用前景。
🔑 关键词速览
| Generalized Zero-Shot Learning (GZSL) | 广义零样本学习，一种要求模型同时识别训练中见过的类别和未见过的类别的学习范式。 |
| Zero-Shot Handwritten Word Recognition | 零样本手写词识别，在未见过的手写词类别上进行识别，通常依赖字符或属性等辅助信息。 |
| Misclassification Bias | 误分类偏差，指模型在GZSL中倾向于将未见类样本错误分类为已见类的现象。 |
| Monte Carlo Bias-Correctors | 蒙特卡洛偏差校正器，一种基于随机采样估计并校正模型偏差的轻量级集成方法。 |
| Out-of-Distribution Inference | 分布外推断，处理测试数据分布与训练数据分布不一致时的推断问题。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅