【异构图迁移的零样本学习】Heterogeneous Graph-based Knowledge Transfer for Generalized Zero-shot Learning

主题： Heterogeneous Graph-based Knowledge Transfer for Generalized Zero-shot Learning

摘要： 广义零样本学习（GZSL）解决了同时涉及可见类和不可见类的实例分类问题。关键问题是如何有效地将从可见类学习到的模型转换为不可见类。GZSL中现有的工作通常假设关于未公开类的一些先验信息是可用的。然而，当新的不可见类动态出现时，这种假设是不现实的。为此，我们提出了一种新的基于异构图的知识转移方法（HGKT），该方法利用图神经网络对GZSL、不可知类和不可见实例进行知识转移。具体地说，一个结构化的异构图，它是由所见类的高级代表节点构造而成，这些代表节点通过huasstein-barycenter来选择，以便同时捕获类间和类内的关系，聚集和嵌入函数可以通过图神经网络来学习，它可以用来计算不可见类的嵌入，方法是从它们的内部迁移知识。在公共基准数据集上的大量实验表明，我们的方法达到了最新的结果。