利用常识知识改进零样本学习基线
计算与语言
2020-12-14 v1
摘要
零样本学习——在完全不相交的类别集合上训练和测试的问题——极大依赖于其将知识从训练类迁移到测试类的能力。传统上，由人类定义属性（HA）或分布式词嵌入（DWE）组成的语义嵌入被用于通过改善视觉与语义嵌入之间的关联来促进这种迁移。在本文中，我们利用常识知识图谱 ConceptNet 中定义的节点间的显式关系，通过使用基于图卷积网络的自编码器来生成类标签的常识嵌入。我们在三个标准基准数据集上进行的实验表明，当将我们的常识嵌入与现有语义嵌入（即 HA 和 DWE）融合时，超越了强基线。
引用
@article{arxiv.2012.06236,
title = {Improving Zero Shot Learning Baselines with Commonsense Knowledge},
author = {Abhinaba Roy and Deepanway Ghosal and Erik Cambria and Navonil Majumder and Rada Mihalcea and Soujanya Poria},
journal= {arXiv preprint arXiv:2012.06236},
year = {2020}
}