面向零样本学习的解耦本体嵌入
人工智能
2022-06-09 v1 计算机视觉与模式识别
机器学习
摘要
知识图谱（KG）及其变体本体已广泛用于知识表示，并已被证明在增强零样本学习（ZSL）方面相当有效。然而，现有利用 KG 的 ZSL 方法都忽视了 KG 中所表示类间关系的内在复杂性。一个典型特征是，一个类常在不同语义方面与其他类相关。本文关注用于增强 ZSL 的本体，并提出在本体属性引导下学习解耦本体嵌入，以在不同方面捕获并利用更细粒度的类关系。我们还贡献了一个名为 DOZSL 的新 ZSL 框架，其包含基于生成模型和图传播模型的两种新 ZSL 解决方案，用于有效利用解耦本体嵌入。我们在零样本图像分类（ZS-IMGC）和零样本 KG 补全（ZS-KGC）的五个基准上进行了广泛评估。DOZSL 常取得优于最先进方法的性能，其各组件已通过消融研究和案例研究验证。我们的代码和数据集可在 https://github.com/zjukg/DOZSL 获取。
引用
@article{arxiv.2206.03739,
title = {Disentangled Ontology Embedding for Zero-shot Learning},
author = {Yuxia Geng and Jiaoyan Chen and Wen Zhang and Yajing Xu and Zhuo Chen and Jeff Z. Pan and Yufeng Huang and Feiyu Xiong and Huajun Chen},
journal= {arXiv preprint arXiv:2206.03739},
year = {2022}
}
备注
Accepted by KDD'22