GCNBoost：通过知识图谱标签传播的艺术品分类
机器学习
2021-05-26 v1 计算机视觉与模式识别
摘要
文化文献数字化的兴起提供了大规模内容，为开发用于保护、检索与传播文化遗产的 AI 系统开辟了道路。组织此类文化内容也意味着对其分类，这是现代计算机科学非常熟悉的任务。上下文信息通常是构建此类真实世界数据的关键，我们提议以知识图谱形式加以利用。这种结合内容分析的知识图谱增强了艺术品间的邻近概念，从而提升分类任务性能。本文提出一种知识图谱的新颖用法：该图谱构建于标注数据与伪标注数据之上。通过标签传播，我们借助图卷积网络训练模型，依托知识图谱实体间关系来提升艺术品分类。遵循转导学习框架，实验表明依靠建模标注与未标注数据关系的知识图谱，可在绘画数据集与佛像数据集的多个分类任务上取得最先进（SOTA）结果。此外，我们在处理不平衡数据的困难情形下也展示了 SOTA 结果，其局限在于忽略了知识图谱中度数极低的类别。
引用
@article{arxiv.2105.11852,
title = {GCNBoost: Artwork Classification by Label Propagation through a Knowledge Graph},
author = {Cheikh Brahim El Vaigh and Noa Garcia and Benjamin Renoust and Chenhui Chu and Yuta Nakashima and Hajime Nagahara},
journal= {arXiv preprint arXiv:2105.11852},
year = {2021}
}