用于零样本学习的信息瓶颈与选择性噪声监督

基于摘要分析。本文研究图像零样本学习（ZSL）：利用已见类别的语义知识识别未见类别，提出带有紧密视觉—语义耦合约束的双向嵌入生成模型，以缓解直接映射中的校准偏差、枢纽现象（hubness）以及生成式方法的已见—未见类别偏置。 核心机制是将视觉特征与语义表征的参数化分布嵌入统一潜在空间并进行校准。针对高维视觉特征中的非语义信息可能干扰对齐的问题，作者引入信息瓶颈约束，以保留映射过程中的关键属性信息，并结合不确定性估计与 wake-sleep 过程减轻特征噪声、改善抽象能力。摘要未给出具体损失形式或训练流程，不能据此确定各模块的实现及独立贡献。对于可利用未见类别图像的传导式 ZSL，方法进一步为这些图像生成标签，并通过鲁棒自训练损失处理标签噪声。 作者报告，该方法在不同 ZSL 设置下的大多数基准数据集上优于所比较的先进方法；但摘要未列出数据集名称、划分、指标、分数及具体基线，性能幅度与适用边界尚不能核对。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是假设通过信息瓶颈削弱 EEG 表征中与任务语义无关的变化，再利用类别语义支持未见类别识别。可复用的是潜在分布对齐与噪声鲁棒自训练思路；需改造视觉特征编码器，并建立可信的 EEG 类别属性或语义描述。原方法依赖视觉特征、类别语义和已见类别训练数据，摘要未说明规模；EEG 低信噪比、被试及通道差异、小数据和语义描述不足均可能使对齐失败或放大伪标签误差。一个可证伪的小实验是在固定被试与通道条件下划分已见、未见任务类别，比较语义映射基线与加入信息瓶颈后的未见类别表现，且不混用未见样本可见与不可见的协议。已有 EEG 相关工作尚未检索确认。