MIT-States

新的CLEAR框架增强了组合式零样本学习

研究人员推出了一种新颖的组合式零样本学习（CZSL）框架CLEAR，该框架解决了现有方法的局限性。CLEAR将原始变体重新构建为视觉线索的上下文驱动激活，超越了固定的变体容量。该框架采用一种完形填空式的推理过程来推断高级语义，并重新排序预测以减轻对具体原始变体的偏见。实验表明，CLEAR增强了基础模型，并在C-GQA和MIT-States数据集上超越了最先进的性能。