【自动化学报】零样本学习研究进展，中国石油大学

简介： 近几年来, 深度学习在机器学习研究领域中取得了巨大的突破, 深度学习能够很好地实现复杂问题的学习, 然而, 深度学习最大的弊端之一, 就是需要大量人工标注的训练数据, 而这需要耗费大量的人力成本. 因此, 为了缓解深度学习存在的这一问题, Palatucci 等于 2009 年提出了零样本学习 (Zero-shot learning). 零样本学习是迁移学习的一种特殊场景, 在零样本学习过程中, 训练类集和测试类集之间没有交集, 需要通过训练类与测试类之间的知识迁移来完成学习, 使在训练类上训练得到的模型能够成功识别测试类输入样例的类标签. 零样本学习的意义不仅在于可以对难以标注的样例进行识别, 更在于这一方法模拟了人类对于从未见过的对象的认知过程, 零样本学习方法的研究, 也会在一定程度上促进认知科学的研究. 鉴于零样本学习的应用价值、理论意义和未来的发展潜力, 文中系统综述了零样本学习的研究进展, 首先概述了零样本学习的定义, 介绍了 4 种典型的零样本学习模型, 并对零样本学习存在的关键问题及解决方法进行了介绍, 对零样本学习的多种模型进行了分类和阐述, 并在最后指明了零样本学习进一步研究中需要解决的问题以及未来可能的发展方向。

作者简介：

刘建伟，男。中国石油大学博士生导师/硕士生导师。曾任加拿大温哥华英属哥伦比亚大学访问学者，加拿大滑铁卢大学高级访问学者。讲授模式识别专题（博士生），可编程序控制器原理及其应用，模式识别与机器学习导论等课程。

长期从事模式识别与智能系统、复杂系统分析与智能控制、机器学习和数据挖掘方面的研究工作。美国数学会《数学评论》评论员，中国人工智能学会机器学习分会高级会员。在计算机学报，自动化学报、计算机研究与发展、电子学报、TNNLS、Neurocomputing等期刊上和国内国际会议上发表学术研究论文180多篇，其中三大检索100多篇。