知识驱动零样本学习的基准评测

外部知识（亦称边信息）在零样本学习（ZSL）中起着关键作用，ZSL 旨在对训练数据中从未出现过的未见类进行预测。文本、属性等多种外部知识已被广泛研究，但仅凭它们受限于不完整的语义。因此一些最新研究提出使用知识图谱（KG），因其具有高表达力且能兼容表示各类知识。然而，ZSL 领域仍缺乏用于研究和比较不同外部知识设置及不同基于 KG 的 ZSL 方法的标准基准。本文中，我们提出了覆盖三个任务的六种资源，即零样本图像分类（ZS-IMGC）、零样本关系抽取（ZS-RE）和零样本 KG 补全（ZS-KGC）。每种资源包含一个常规 ZSL 基准和一个 KG，其语义涵盖从文本到属性、从关系知识到逻辑表达式。我们清晰地展示了这些资源，包括其构建、统计信息、数据格式及针对不同 ZSL 方法的用例。更重要的是，我们开展了全面的基准评测研究，涉及两种通用 SOTA 方法、两种特定设置方法与一种可解释方法。我们讨论并比较了不同外部知识设置下的不同 ZSL 范式，发现我们的资源在开发更先进的 ZSL 方法及更多利用 KG 增强机器学习的方案方面具有巨大潜力。所有资源均可在 https://github.com/China-UK-ZSL/Resources_for_KZSL 获取。