科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着工业大数据技术的发展,应用于工业对象的有监督方法得到了广泛研究.然而,由于真实数据往往遵循长尾类分布,导致传统有监督模型在实际应用过程中存在模型退化以及模型失效等问题.零样本学习(Zeroshot learning, ZSL)技术的提出为这一问题提供了一种新的解决思路.零样本学习的目标是使用收集到的已见类别数据训练模型,使得训练好的模型对于收集不到数据的未见类别同样适用.零样本学习通过将故障的文本描述等辅助知识引入到模型中,一定程度上缓解了模型在实际工业场景中对训练数据收集的依赖,提高了模型的泛化性能.然而,目前领域内尚缺乏对零样本学习在工业领域应用的系统梳理与讨论,而工业零样本学习在辅助知识的收集和处理、研究方法、应用场景等方面与其它领域的零样本学习相比也具有独特性.鉴于零样本学习在工业领域潜在的巨大应用价值和未来的发展潜力,本文系统性梳理和展示了从零样本学习理论模型到工业应用的动机、演变与挑战.首先,本文回顾了零样本学习设定与相关方法的发展脉络,分析了零样本学习与其它任务设定之间的关联,并指出了本文与前人综述的区别.接下来,本文回顾了工业领域零样本学习的研究现状,介绍了典型的工业零样本学习任务和辅助知识、分析了工业零样本学习的特征和典型问题、梳理了工业领域零样本任务中应用的现有方法.此外,本文梳理了工业零样本任务的基准数据集和开源工作.最后,本文在现有研究的基础上总结了工业零样本任务面临的问题与挑战,并对该领域的研究做出了展望.
- 单位
