基于知识图谱的零样本与少样本学习：全面综述
机器学习
2022-12-06 v6 人工智能
摘要
机器学习尤其是深度神经网络已取得巨大成功，但其中许多方法常依赖一定数量的标注样本进行监督。由于在实际应用中，因预测目标不断出现以及样本标注成本高昂，充足的标注训练数据并非总是就绪，样本短缺下的机器学习正被广泛研究。在所有这些研究中，许多倾向于利用包括知识图谱(KG)形式在内的辅助信息，以减少对标注样本的依赖。本综述全面回顾了 90 余篇关于 KG 感知研究的论文，涵盖两种主要样本短缺设定——零样本学习(ZSL)，即某些待预测类别无标注样本；以及少样本学习(FSL)，即某些待预测类别仅有少量可用标注样本。我们首先介绍 ZSL 与 FSL 中使用的 KG 及其构建方法，然后系统地对 KG 感知的 ZSL 与 FSL 方法进行分类与总结，将其划分为不同范式，如基于映射的、数据增强的、基于传播的和基于优化的。接着我们展示不同应用，不仅包括 KG 增强的预测任务（如图像分类、问答、文本分类与知识抽取），还包括 KG 补全任务，以及各任务的若干典型评估资源。最后我们从不同角度讨论了一些挑战与开放问题。
引用
@article{arxiv.2112.10006,
title = {Zero-shot and Few-shot Learning with Knowledge Graphs: A Comprehensive Survey},
author = {Jiaoyan Chen and Yuxia Geng and Zhuo Chen and Jeff Z. Pan and Yuan He and Wen Zhang and Ian Horrocks and Huajun Chen},
journal= {arXiv preprint arXiv:2112.10006},
year = {2022}
}
备注
A survey on Zero-shot and Few-shot Learning with Knowledge Graph. It has collected 96 ZSL and FSL papers on this topic, with 11 figures and 4 tables