零样本学习指标

一、零样本学习（Zero-Shot Learning, ZSL）概念总览

**零样本学习（ZSL）**指的是：

在训练阶段从未见过目标类别的样本的情况下，模型仍能对这些类别进行正确识别。

实现手段通常依赖：

• 语义侧信息：

  • 属性向量（Attributes）
  • 文本描述
  • 词嵌入（word2vec, GloVe）
  • CLIP 类图文嵌入

• 对齐机制：

  • 将视觉特征映射到语义空间
  • 或将语义嵌入映射到视觉空间
  • 或联合嵌入（vision--language joint embedding）

---

---

二、狭义零样本学习（Conventional ZSL）

1. 定义

狭义零样本（Conventional ZSL）是最早、最理想化的一种ZSL设定：

测试阶段仅包含"未见类（Unseen Classes）"样本。

即：

训练集 = Seen Classes
测试集 = Unseen Classes

模型完全不用考虑对已见类的判断偏置问题。

---

2. 数学表述

• 训练类别集合：

  \\mathcal{Y}_s = {y_1, y_2, ..., y_S}

• 测试类别集合：

  \\mathcal{Y}*u = {y* {S+1}, ..., y_{S+U}}, \\quad \\mathcal{Y}_s \\cap \\mathcal{Y}_u = \\emptyset

• 测试标签预测范围仅限：

\\hat y \\in \\mathcal{Y}_u

---

3. 特点

✅ 优点

• 评估简单
• 无类别间严重偏置
• 易于展示模型的"语义迁移能力"

❌ 局限

• 严重不符合真实应用

现实中：
模型既要面对见过类，也要面对没见过类。

---

4. 农业场景举例

假设你训练模型仅见过：

Seen: 稻瘟病、稻曲病、白叶枯病

测试时只让模型识别：

Unseen: 稻条纹叶枯病、纹枯病

👉 这就是狭义ZSL。

模型不会需要判断输入是不是"老病害"还是"新病害"，因此任务容易很多。

---

---

三、广义零样本学习（Generalized ZSL, GZSL）

---

1. 定义

**广义零样本（GZSL）**是现实世界的零样本版本：

测试阶段同时包含 Seen 类和 Unseen 类样本。

即：

训练集 = Seen Classes  
测试集 = Seen ∪ Unseen

并且：

\\hat y \\in \\mathcal{Y}_s \\cup \\mathcal{Y}_u

---

---

2. 核心难点：Bias Problem（类别偏置）

在普通训练下：

模型对 Seen 类天然更熟悉 ，

因而会严重偏向预测 Seen 类。

典型现象：

• Unseen 类准确率很低
• 几乎所有样本都会被强行判为 Seen 类

---

---

3. GZSL 为什么更难？

本质难度

GZSL = 同时解决：

1. 语义迁移（Seen → Unseen）
2. 分布偏置校正
3. 开放集感知（novelty detection）

---

---

4. 农业场景举例

部署无人机病害识别系统时，模型面临：

输入样本 = 老病害 + 新病害混合

模型必须：

✅ 既能正确识别：稻瘟病

✅ 还能识别：从未训练过的稻条纹叶枯病

---

实际应用中 你们做的 SCLOD + MoE + CLIP 微调 基本都是 GZSL 场景。

---

---

四、H-Mean 评价指标

---

1. 为什么要 H-Mean？

因为在 GZSL 中：

• seen 类准确率 ( Acc_s ) 通常很高
• unseen 类准确率 ( Acc_u ) 通常很低

如果只看总体准确率：

Acc = \\frac{N_{correct}}{N_{total}}

👉 会被 seen 类"掩盖"，对 unseen 完全不敏感。

---

---

2. H-Mean 定义

**H-Mean（调和平均）**专门用于平衡 seen / unseen 性能：

\\boxed{ H = \\frac{2 \\cdot Acc_s \\cdot Acc_u}{Acc_s + Acc_u} }

---

---

3. 指标性质

✅ 平衡敏感

任何一方准确率趋近 0，整体得分即趋近 0：

Acc_s = 90%
Acc_u = 5% → H ≈ 9.5%

逼迫模型必须兼顾两类。

---

✅ 比算术均值更严格

算数均值：

M = \\frac{Acc_s + Acc_u}{2}

无法严厉惩罚极端失衡。

---

H-Mean 能有效揭示：

模型是否真正实现了 "Seen 与 Unseen 双均衡"。

---

---

4. 使用方式

在 GZSL 实验中，通常汇报：

Acc_s  (Seen Accuracy)
Acc_u  (Unseen Accuracy)
H-Mean

三项同时汇报，缺一不可。

---

---

五、三者关系速查表

项目	狭义 ZSL	广义 GZSL
测试类别	只有 Unseen	Seen + Unseen
是否存在偏置问题	❌ 否	✅ 严重
实验难度	⭐⭐	⭐⭐⭐⭐⭐
现实适用性	❌ 较弱	✅ 极强
是否需要 H-Mean	❌ 不需要	✅ 必须

---

---

指标	适用范围	作用
Acc_u	ZSL + GZSL	测 unseen 类能力
Acc_s	GZSL	测已知类记忆能力
H-Mean	GZSL 专用	综合平衡度评价

---

---

六、与你当前研究的关联

你目前在做：

• 病害零样本识别（SCLOD + MoE / CLIP）
• 多病害、多作物、跨域泛化

几乎全部属于 GZSL 的研究范式。

评估时：

✅ 你一定要使用：
Acc_s, Acc_u, H-Mean

❌ 只报单一准确率 = 论文不规范

---

---

七、论文可用标准表述模板

你可以直接用下面这一小段话写论文：

---

狭义零样本学习（Conventional ZSL）是指在测试阶段仅包含未见类别样本的识别任务设置，而广义零样本学习（Generalized ZSL, GZSL）则更贴合真实应用场景，其测试阶段同时包含已见类与未见类样本。由于模型在训练阶段仅见过已知类别，往往对 seen 类产生明显偏置，因此需分别评估两类识别准确率，并采用调和平均指标（H-Mean）对模型在 seen / unseen 类之间的综合平衡性能进行度量，其定义为：

H = \\frac{2 \\cdot Acc_s \\cdot Acc_u}{Acc_s + Acc_u}.

---