Abstract:  In diesem Vortrag gehen wir auf einen Aspekt des Problems der Null-Shot-Erkennung (ZSR) ein, bei dem sichtbare Klassenquellen und Daten der Zieldomain zur Verfügung gestellt werden. Das Ziel während der Testphase ist es, auf Grundlage der verfügbaren Informationen der Quelldomain (z.B. Attribute) die Klassenkennzeichen für unsichtbare Klassen genau vorherzusagen. Wir bezeichnen die ZSR als binäres Voraussageproblem. Unser resultierender Klassifikator ist klassenunabhängig. Man braucht ein beliebiges Paar Quell- und Zieldomäninstanzen als Input und prognostiziert, ob sie aus denselben Klassen kommen, bzw. ob es eine Übereinstimmung gibt. Wir modellieren die A-posteriori-Wahrscheinlichkeit einer Übereinstimmung, da eine ausreichende Statistik vorliegt und entwerfen für diesen Kontext ein latentes Wahrscheinlichkeitsmodell. Entsprechend entwickeln wir zwei Methoden zur Parameterisierung unseres Wahrscheinlichkeitsmodells:

1. Unsere erste Parameterisierung basiert darauf, jede Quell- oder Zieldateninstanz als eine Mischung aus sichtbaren Klassenproportionen zu betrachteten. Und wir postulieren, dass die spezifischen Mischungsmuster ähnlich sein müssen, falls die zwei Instanzen zur selben unsichtbaren Klasse gehören. Diese Perspektive führt uns zum Verständnis der Quellen/-Ziel-Einbettungsfunktionen, die eine beliebige Quell-/Ziel-Domaindateninstanz in einem gleichen semantischen Raum abbilden, in welchem Ähnlichkeit leicht zu messen ist.

2. Unsere zweite Parameterisierung ist eine diskriminativer Lernstruktur, die auf Wörterbuch-Lernen für kombiniertes Erlernen der Parameter unseres Modells für beide Domänen basiert. Bemerkenswert ist, dass viele der bestehenden Einbettungsverfahren als Sonderfälle unseres Wahrscheinlichkeitsmodells angesehen werden können. Empirisch wird unsere Methode auf mehreren Benchmark-Datensätzen geprüft und erreicht den State-of-the-art bei allen Datensätzen.