Graph and Low-Rank Based Cluster-Prototype Matching for Transductive Zero-Shot Learning
본 논문은 임베딩된 샘플의 국소적 내재 구조와 서브 매니폴드를 모두 보존하는 저계수 매핑을 학습하기 위해 교사-학생 프레임워크를 활용하여, 클러스터-프로토타입과 샘플-프로토타입 유사성을 결합한 앙상블 분류기를 통해 미학습 클래스 인식을 개선하는 전이적 제로샷 학습 방식인 그래프 및 저계수 기반 클러스터-프로토타입 매칭(GLCPM) 모델을 제안한다.