基于异质图的知识迁移用于广义零样本学习
机器学习
2019-11-21 v1 计算机视觉与模式识别
机器学习
摘要
广义零样本学习 (GZSL) 解决的是学习对包含已见类与未见类的实例进行分类的问题。关键问题在于如何将从已见类学到的模型有效迁移至未见类。GZSL 的现有工作通常假设关于未见类的某些先验信息是可用的。然而，当新的未见类动态出现时，此种假设是不现实的。为此，我们提出了一种新颖的基于异质图的知识迁移方法 (HGKT) 用于 GZSL，该方法对未见类与实例不可知，通过利用图神经网络实现。具体而言，构建一个结构化的异质图，其中包含通过 Wasserstein barycenter 选取的已见类高级代表性节点，以同时捕捉类间与类内关系。聚合与嵌入函数可通过图神经网络学习，从而能通过从邻居迁移知识来计算未见类的嵌入。在公开基准数据集上的大量实验表明，我们的方法取得了 SOTA 结果。
引用
@article{arxiv.1911.09046,
title = {Heterogeneous Graph-based Knowledge Transfer for Generalized Zero-shot Learning},
author = {Junjie Wang and Xiangfeng Wang and Bo Jin and Junchi Yan and Wenjie Zhang and Hongyuan Zha},
journal= {arXiv preprint arXiv:1911.09046},
year = {2019}
}