OntoZSL：本体增强的零样本学习
人工智能
2021-02-16 v1
摘要
零样本学习（ZSL）旨在对训练数据中从未出现过的类别进行预测，已引起研究热潮。实现 ZSL 的关键在于利用类的先验知识，其建立类间语义关系，并使所学模型（如特征）能从训练类（即可见类）迁移至不可见类。然而，现有方法采用的先验相对有限且语义不完整。本文中，我们通过基于本体的知识表示与语义嵌入，探索更丰富且更具竞争力的先验知识来为 ZSL 建模类间关系。同时，为解决可见类与不可见类间的数据不平衡，我们开发了基于生成对抗网络（GANs）的生成式 ZSL 框架。我们的主要发现包括：（i）一个可应用于不同领域（如图像分类（IMGC）与知识图谱补全（KGC））的本体增强 ZSL 框架；（ii）基于多领域零样本数据集的综合评估，其中我们的方法常优于当前最优（SOTA）模型。特别是在 IMGC 的四个代表性 ZSL 基线上，基于本体的类语义在标准 ZSL 中跨两个示例数据集比先前先验（如类的词嵌入）平均高出 12.4 个精度点（见图 4）。
引用
@article{arxiv.2102.07339,
title = {OntoZSL: Ontology-enhanced Zero-shot Learning},
author = {Yuxia Geng and Jiaoyan Chen and Zhuo Chen and Jeff Z. Pan and Zhiquan Ye and Zonggang Yuan and Yantao Jia and Huajun Chen},
journal= {arXiv preprint arXiv:2102.07339},
year = {2021}
}
备注
Accepted to The Web Conference (WWW) 2021