讲者：杨杰
报告时间:2012.9.19
文章信息:paper#1  Kaizhu Huang, Zenglin Xu,Irwin King, Michael R.Lyu, Colin Campbell: Supervised Self-taught Learning: Actively transferring knowledge from unlabeled data. IJCNN 2009
              paper#2  X. Yu and Y. Aloimonos,Attribute-based Transfer Learning for Object Categorization with Zero or One Training Example, ECCV2010
文章简介:
Paper#1

Problem: Self-taught Learning学出来的基分类效果有限
Motivation:Self-taught Learning基础上作了一个监督化形式的模型，将self taught learning三步整合到一起。上一次组会也提到通过无标签学出来的基对于分类不一定是帮助的，所以huang这篇文章正是基于这点，将监督标签信息加进来用来指导基的学习，这样改进分类性能。
Model:具体体现在目标函数，将基的组合对原数据拟合以及SVM分类面的学习放在一起。在模型的优化方面，由于问题是非凸的，但是如果固定一部分参数，则可以将问题转化为一个迭代优化的两个子问题，并且这两个子问题是凸问题

Paper#2

Problem:这篇文章要解决的问题是zero/one shot learning problem，即是待分类标签的数据在训练数据中并没有同标签的数据，或者这样的数据很少。作者是在Animals with Attributes(AwA)作了一个基于属性的方法，这里的属性是数据集上已经人工提取出来的一些较为直观的特点，比如马是四条腿，四条腿就是一个属性，所有数据共用一个属性集。
Motivation:作者基于此并且结合author topic model提出了attribute model，可以去学习attribute和topic之间的概率关联关系，从而将此作为先验，或者利用学得的参数来合成一些人工数据，来模拟待分类标签数据。

 

相关PPT下载详见 “视觉计算研究论坛”「SIGVC BBS」：http://www.sigvc.org/bbs/thread-107-1-1.html