【WWW2021】本体增强零样本学习

零样本学习(Zero-shot Learning, ZSL)是一种针对从未出现在训练数据中的类别进行预测的学习方法，目前已成为研究热点。实现ZSL的关键是利用类的先验知识，构建类之间的语义关系，并使学习到的模型(例如，特性)能够从训练类(例如，可见类)转移到不可见类。然而，现有方法所采用的先验相对有限，语义不完全。本文通过基于本体的知识表示和语义嵌入，探索更丰富和更具竞争性的先验知识，为ZSL的类间关系建模。同时，为了解决可见类和不可见类之间的数据不平衡问题，我们提出了带有生成式对抗网络(GANs)的生成式ZSL框架。我们的主要发现包括: (i)一个本体增强的ZSL框架，可以应用于不同的领域，如图像分类(IMGC)和知识图谱补全(KGC); (ii)利用来自不同领域的多个零样本数据集进行综合评估，我们的方法往往比最先进的模型获得更好的性能。特别是，在IMGC的四个代表性的ZSL基线上，基于本体的类语义优于之前的预测，例如，在两个示例数据集上，类的词嵌入在标准ZSL中的平均精度为12.4点(见图4)。

https://www.zhuanzhi.ai/paper/455f8ab60b8550b4318debc0acebe2d3