새로운 조합의 인식
조합적 제로샷 학습은 각각 관찰한 객체와 속성이 새롭게 결합한 경우를 인식하는 문제다. 이 연구는 분해 가능한 의미 표현으로 이런 일반화를 수행하는 방법을 다룬다.
명시적 재조합의 재검토
기존 GDE 틀은 임베딩 분포의 프레셰 평균에서 접공간 방향으로 기본 시각 개념을 찾는다. 이 연구는 속성과 객체를 명시적으로 다시 합치는 과정 대신 분해한 요소를 직접 사용하는 점수 함수를 평가했다.
기하와 자료의 영향
여러 표현 공간과 모형에서 조합 추론을 비교하고 MIT-States 등 조합적 제로샷 벤치마크를 평가했다. Waterbirds와 CelebA에서는 집단 강건성도 조사해 표현의 기하와 자료 구조가 결과에 미치는 영향을 살폈다.
관련 문서
MERU / CLIP / DINOv2 / 제로샷 학습 / 쌍곡 이미지 임베딩 / 표현 학습