我们对两部分的输出进行不同的正则：
其中语义相关部分会被关联至该图片原本标签的语义特征 ， 而非语义部分则保持原有Flow的设计 。 这两个先验概率在最终计算的时候都会化为2范数的形式 ， 因此使用起来非常方便 。 当然 ， 这样的设计非常经验主义 ， 但已经足够好用 。
整个生成过程和常见的模型类似 ， 唯一的区别在于IZF不需要使用额外的Decoder网络 ， 而只需要Encoder的逆变换：
这个过程和CVAE的Decoder以及GAN的Generator过程类似 。
2、修正Seen-Unseen偏差：扩大MMD大部分模型都有可能有将输出结果“聚拢”在一起的倾向 ， 对于ZSL而言这可能导致生成的Unseen样本或特征长得和Seen样本过于接近 ， 这将直接影响整个模型的判别能力 ， 而这一直以来也是ZSL的一个核心问题 。 已经有相关研究证明Generative Flow本身对于这种现象并没有什么抵抗力 。 为了让我们的模型更好地服务于ZSL ， 我们决定人为地略微扩大（生成的）Unseen样本的概率分布与Seen样本的概率分布之间的距离：
我们选择使用MMD来衡量两个概率分布之间的差异 。 这种做法在很多模型中已经被证明是一种行之有效的手段 ， 例如Wasserstein Auto-Encoder以及MMD-GAN 。 不同点在于 ， 已有的研究工作中往往通过最小化MMD来对齐两个不同的概率分布 ， 而我们考虑略微增大Seen与Generated Unseen分布之间的MMD以达到更好的ZSL效果 。 所提出的损失函数如下：
这个思路对于难以参数化的分布来说应该是再合适不过了 。 当然 ， 这个正则项会带来一些负面效果 ， 例如会驱使模型生成一些不合理的样本 ， 这个特性在我们的实验中也完整地体现了 。
3、训练IZF的训练完全依赖于梯度下降 ， 因此十分方便快捷 。 我们使用三项目标函数的组合作为最终的损失函数：
其中
即单个样本的负对数似元(Negative Log-Likelihood) ， 由本文章节三.1确定 ， 是Generative Flow的常规训练目标函数 。 在只需要Encoding输出的情况下合理化模型的生成结果 。 这也是Flow的一大便捷特性 。
由本文章节3.2确定 。
是常见的规范Classification Prototype的正则项 ， 在此就不赘述了 。

• 澄澈的眼|始料未及：华为不敌小米？上半年全球手机出货量TOP10公布
• 澄澈的眼|10年了，腾讯微博终于不折腾了
• 澄澈的眼|戈尔巴乔夫曾用过的收音机
• 澄澈的眼|腾讯微博：将于2020年9月28日停止服务和运营
• 澄澈的眼|马斯克疯狂的“脑机”技术将带动2021年大学脑科学成热门专业
• 闲情居|当支持向量机遇上神经网络：SVM、GAN距离之间的关系
• 澄澈的眼|适屏壁纸、ai女神（玉）
• 中国|JPMorgan Chase & Co.增持中国人民保险集团股份约1688.07万股
• 澄澈的眼|外媒放出狠话！基站耗电问题不解决，5G将会成为失败技术？
• 梵高的穿衣经|时尚穿搭：明眸皓齿，眸含秋水，双目澄澈