现场指导优化零触发学习：高效降低注释成本提升模型性能

"本文探讨了现场指导启发式零触发学习方法，旨在降低注释成本并提升零触发学习模型的性能。该方法特别关注在专家领域，如生物分类，注释新类别的属性集是一项耗时且昂贵的任务。文章提出了一种新的交互式学习策略，通过引导用户仅注释最有价值的属性来定义类别，从而减少专家的时间投入。在CUB、SUN和AWA2等分类基准上的实验表明，这种方法可以在显著减少注释数量的同时，保持与完全注释模型相当的性能，这对于现实世界应用中的成本效益至关重要。" 零触发学习（Zero-Shot Learning, ZSL）是一种机器学习技术，它允许模型从未见过的类别数据中进行预测，仅仅依靠这些类别的描述信息。然而，传统的ZSL方法仍然需要大量注释，比如为每个类别的多个属性提供详尽的描述，这在实际操作中既费时又昂贵。例如，对于CUB鸟类数据集，注释全部属性可能需要专家花费大量时间。 为了解决这个问题，文章提出了现场指导启发式的方法。这个方法不再要求专家为每个类别提供所有属性的注释，而是采用一种互动的方式，引导专家只标注那些对区分类别最为关键的属性。这样可以大大减少注释工作量，同时保持模型的识别能力。 在评估中，该方法与已有的属性注释方法进行了对比，如CUB、SUN和AWA2等数据集上的实验。结果显示，尽管注释的数量显著减少，但模型的性能并未明显下降，这证明了这种方法的有效性。考虑到专家的时间成本，降低注释需求对于实际应用具有重要意义，尤其是在需要专业知识的领域。 此外，文章还指出，现有的ZSL系统依赖于大量属性注释，而真实世界中的数据往往只有部分属性信息，如野外指南中的简要描述。因此，研究如何从有限的信息中学习更为重要。现场指导启发式方法提供了一种可能的解决方案，使得模型能够利用少量关键信息就能准确识别新类别。 这项工作的贡献在于提出了一种新的、经济高效的零触发学习策略，通过互动的注释过程，降低了专家的负担，提高了模型的实用性，为未来在类似领域的研究提供了新的思路。