CAST：零样本分类器扩展的闭式分析语义迁移

大型预训练模型已成为现代机器学习系统的基础组件。然而，使这些模型适应新的类别通常需要来自目标分布的示例。然而，在许多领域，此类数据是不可用的。零样本学习（ZSL）通过依赖文本描述等辅助语义信息，允许在这些限制下进行识别。我们引入了 CAST（闭式分析语义迁移），这是一种 无需训练 无图像框架，用于通过权重注入将预训练的分类器扩展到以前未见过的类。我们为 CAST 提供了理论基础，并推导了有限样本误差分解，该分解可识别 \emph{语义外推残差} $ρ_u$。残差是一种可计算的、与模型无关的度量，为数据集管理和基准设计提供了原则性标准。标准零样本学习基准的实验表明，CAST 匹配或超过现有的无图像方法，并接近少样本适应方法的性能，同时不需要迭代优化，也不需要来自目标分布的示例。