论文阅读：Zero-shot 综述

声明：请勿参考，因为该笔记主要为了自己梳理和表达知识，附带大量脑补（否则后果自负）

论文标题：A Survey of Zero-Shot Learning:Settings,Methods,and Applications(TIST2019, SCI三区)

1.Introduction

       监督学习取得了很大的成功。

       但是，监督分类，通常是需要大量标记的数据的，另外，习得的分类器只能识别出训练集里面含有的类别，这个是它的局限。因为在某些情况中，训练集并不充足，或者需要分类的对象并不在训练集包含的类别中。（插句题外话，近几年不是有挺多ood的分类算法，发表在顶刊里了么，可能这篇文章太老了吧）

         为了解决”让分类器去学习这些训练实例很少的类“的问题，few shot/one shot方法横空出世啦！在这些方法中，对“实例稀少的类别”进行学习的同时，其他类别的实例的内容也会被用上哦。

         接下来介绍，为了应对这种先前没见过的实例，文章里列举了一些方法喔：

1.open set recognition methods

2.cumulative learning and class-incremental learning methods

3.open word recognition

         在上述的方法中，如果被测实例属于unseen类别（就是说在模型学习的时候没有该类的标签），那么分类器就没法确定它的标签。但是有些情况下，我们又需要模型能知道它们的标签。下面是一些场景：

• 目标类别的数量非常庞大。比如说动作检测任务，人的动作有很多种，但是有标记的动作就很有限呀，既然标记所有的动作是不现实的，那当然希望模型能够识别unseen类别啦。

• 目标类别是非常罕见的。比如细粒度目标分类，我们得辨别出花的不同品种，那很多稀有的品种也没法给出标记啊，那咱们也希望辨别出来呀，这就需要zero-shot呀。

• 目标的类别经常变化。

• 一些任务中，获取标记的成本非常高。比如图像的语义分割问题，语义分割是从像素级别归类，也就是需要对每个像素进行标记

       为了解决这个问题，zero-shot learning（zero data learning）就被提出啦！它的目的，我们前面已经提过了，就是去分类出那些，属于“类内无标记实例”的类别喔。文章中还提到，自从它被创立以来，在ML中发展很快喔，在CV领域、NLP领域和普适计算领域有广泛应用喔。

       其实我有些搞不明白zero-shot learning 和 out-of-distribution(ood) sample识别之间有什么区别。zero-shot是去识别unseen class的类别，那么ood samples也算是在分布之外的样本，也是没有标记的，他们两者好像有相通之处哇？

       看了CSDN上一篇博客说，ood更偏向于异常检测。我也记得（凭印象）我在一篇讲“Noisy Graph Cleaning”的文章里面看到，作者处理问题的背景是关于应对噪声数据的（学习或者检测过程中），给出了ind分类和ood检测。所以貌似ood更偏向于噪声数据处理吧。