重新思考知识图谱传播用于零样本学习
计算机视觉与模式识别
2019-03-28 v3
摘要
图卷积神经网络近期在零样本学习任务上展现出了巨大潜力。这些模型具有极高的样本效率，因为图结构中的相关概念共享统计强度，从而能够在数据匮乏时泛化到新类别。然而，为了将知识传播到图中远距离节点所需的多层架构，会在每一层执行广泛的拉普拉斯平滑从而稀释知识，进而导致性能下降。为了在仍享受图结构带来好处的同时防止远距离节点知识被稀释，我们提出了一种具有精心设计的远距离节点间直接连接的稠密图传播（DGP）模块。DGP 使我们能够通过额外的连接来利用知识图谱的层次图结构。这些连接基于节点与其祖先和后代的关系添加。进一步采用加权方案根据其到节点的距离来权衡它们的贡献，以改善图中的信息传播。结合两阶段训练方法中对表示的微调，我们的方法优于最先进的零样本学习方法。
引用
@article{arxiv.1805.11724,
title = {Rethinking Knowledge Graph Propagation for Zero-Shot Learning},
author = {Michael Kampffmeyer and Yinbo Chen and Xiaodan Liang and Hao Wang and Yujia Zhang and Eric P. Xing},
journal= {arXiv preprint arXiv:1805.11724},
year = {2019}
}
备注
The first two authors contributed equally. Code at https://github.com/cyvius96/adgpm. To appear in CVPR 2019