基于常识知识图的零样本学习
机器学习
2022-08-29 v4 计算与语言
计算机视觉与模式识别
机器学习
摘要
零样本学习依赖于语义类表示（如手工设计的属性或学习到的嵌入）来预测无任何标注样本的类别。我们提出通过将常识知识图中的节点嵌入向量空间来学习类表示。常识知识图是一种未被充分发掘的显式高层知识来源，只需极少人力即可应用于一系列任务。为捕获图中的知识，我们引入 ZSL-KG，一个带有新颖的 transformer 图卷积网络（TrGCN）以生成类表示的通用框架。我们提出的 TrGCN 架构计算节点邻域的非线性组合。我们的结果显示，在语言与视觉的六个零样本基准数据集中的五个上，ZSL-KG 优于现有的基于 WordNet 的方法。
引用
@article{arxiv.2006.10713,
title = {Zero-Shot Learning with Common Sense Knowledge Graphs},
author = {Nihal V. Nayak and Stephen H. Bach},
journal= {arXiv preprint arXiv:2006.10713},
year = {2022}
}
备注
Paper published in TMLR