利用变分图嵌入进行开放世界组合零样本学习
计算机视觉与模式识别
2022-04-27 v1 人工智能
信息检索
机器学习
摘要
人类能够识别并归类已知概念的新组合。组合零样本学习（CZSL）的任务是以这样一种方式学习基元概念（即对象与状态）的组合，使得即便其新颖组合也能被零样本分类。在本工作中，我们不假设关于新颖组合可行性的任何先验知识，即开放世界设定，其中不可行组合主导搜索空间。我们提出一种组合变分图自编码器（CVGAE）方法，用于学习基元概念（节点）的变分嵌入及其组合的可行性（通过边）。这种建模使CVGAE可扩展到真实世界应用场景。这与SOTA方法CGE形成对比，后者计算开销极大。例如，对于基准C-GQA数据集，CGE需要3.94×10^5个节点，而CVGAE仅需1323个节点。我们学习将图嵌入与图像嵌入映射到公共嵌入空间。CVGAE采用深度度量学习方法，并通过投影图嵌入与图像嵌入之间的双向对比损失在该空间中学习相似度度量。我们在三个基准数据集上验证了方法的有效性，并通过图像检索任务表明CVGAE学到的表示更适用于组合泛化。
引用
@article{arxiv.2204.11848,
title = {On Leveraging Variational Graph Embeddings for Open World Compositional Zero-Shot Learning},
author = {Muhammad Umer Anwaar and Zhihui Pan and Martin Kleinsteuber},
journal= {arXiv preprint arXiv:2204.11848},
year = {2022}
}
备注
Submitted to a conference