场景图的概率去偏

由于关系及其父对象对的长尾特性，最先进（SOTA）模型生成的场景图质量受到影响。场景图的训练由多数对象对中的多数关系主导，因此，在训练收敛后，少数对象对中关系的对象条件分布未被保留。 Consequently，有偏模型在边际关系分布中更频繁的关系（如"on"和"wearing"）上表现良好，而在较少频繁的关系（如"eating"或"hanging from"）上表现不佳。在这项工作中，我们提出在三元组内融入虚拟证据的贝叶斯网络（BN），以保留关系标签的对象条件分布，并消除由关系边际概率产生的偏置。少数类中关系数量不足给学习三元组内贝叶斯网络带来了显著问题。我们通过基于嵌入的三元组增强来解决这一不足，即从语义空间中其邻域三元组借用少数三元类样本。我们在两个不同数据集上进行实验，在关系的平均召回率上取得了显著改进。与 SOTA 的场景图模型去偏技术相比，我们还实现了召回率与平均召回率表现之间更好的平衡。