CVPRMar, 2015

学习超图正则化属性预测器

PDF
TL;DR该研究提出了一种基于超图的属性学习框架 ——Hypergraph-based Attribute Predictor（HAP）。通过将超图用于描述数据中的属性关系，其将属性预测问题转化为带有正则化的超图切割问题，可以应用于属性预测、零样本和 $N$-shot 学习任务中，并在 AWA、USAA 和 CUB 数据库上展现了比同类方法更具优越性的结果。
hypergraphattribute predictorregularized hypergraph cutzero-shot learning$n$-shot learning
发现论文，激发创造
  • 面向图零样本学习的属性传播网络

    本文介绍了一种使用属性传播网络（APNet）进行零样本学习的方法，其优化了用于零样本分类的属性空间，并使用图传播模型和最近邻分类器来实现更好的分类准确性。

    Sep, 2020

  • 通过双曲邻域图传播学习图像特定属性

    本文提出了基于图传播的方法，通过构建超球面邻域图和邻域一致性定义，学习对于单个图像的图像特征表示，从而在零样本物体分类任务中，大幅度提高了原始基于类别的属性表示的准确度。

    May, 2019

  • 属性化多层异构网络的表示学习

    本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

    May, 2019

  • 属性图模式学习：利用可训练属性的图模式进行预测性图挖掘

    通过结合近端梯度下降和图挖掘树搜索，本文提出了一种针对属性图数据的可解释分类算法 LAGRA（Learning Attributed GRAphlets），能够同时学习重要性权重和属性向量，从而获得对于区分不同类别有很大贡献的子图结构和属性向量的组合，同时将所有训练数据集中的子图结构视为候选的 AG（attributed graphlets）的结构，通过剪枝策略来提高计算效率并保持解决方案的质量，实验证明 LAGRA 在可解释的方式下仅使用少量 AGs 就能具有优秀的预测性能。

    Feb, 2024

  • 知识图谱中非离散属性预测的多任务神经网络

    本文中，我们提出了一种新颖的基于多任务神经网络的方法，用于在关系学习环境中编码、融合和预测非离散属性信息，该方法在关系三元组分类和属性值预测任务中优于现有的许多方法。

    Aug, 2017

  • AHP：学习负样本用于超边预测

    本文提出了一种基于对抗训练的超边预测方法，称为 AHP，能够在不依赖于任何启发式方案的情况下学习采样负样本，并在六个真实超图上展示出比现有最佳方法更高的 AUROC，常常甚至优于针对测试集定制的采样方案的变体。

    Apr, 2022

  • 关系超图的链接预测

    通过关系超图进行链接预测的研究，提出了两种框架，并通过相应的关系 Weisfeiler-Leman 算法和一些自然逻辑形式主义的广泛实证分析，证明了所提模型架构的表达能力。在各种关系超图基准测试中，所得到的模型架构明显优于每个基线模型，对于归纳链接预测具有领先水平的结果，从而开启了图神经网络在完全关系结构中的应用。

    Feb, 2024

  • 适用于任意样本学习的属性原型网络

    提出一种基于属性本地化的图像表示学习框架，通过视觉语义嵌入层学习全局特征，并通过属性原型网络同时回归和解相关属性，为任意样本，包括零样本和少样本图像分类任务提供有益的属性知识转移，并引入变焦模块以局部化和裁剪信息区域鼓励网络显式地学习最有效的特征。此外，该模型通过视觉化和用户研究定量和定性评估属性本地化能力，并在三个基准测试中取得新的最优结果。

    Apr, 2022

  • 知识超图：超越二元关系的预测

    本文提出了两种基于嵌入的方法 HSimplE 和 HypE，直接处理知识超图中的关系， 以解决链接预测问题，此外还开发了公共数据集、基准测试并进行了实验，证明所提出的模型比基准测试更 effective。

    Jun, 2019

  • 面向广义零样本学习的高判别属性特征学习

    零样本学习（ZSL）旨在根据观察到的类别的语义知识，识别未接触过的新类别，然而，当前基于注意力的模型对于学习图像区域特征时，可能忽视了视觉特征的可转移性和属性定位的独特性。为了解决这些问题，我们提出了一种名为高辨别属性特征学习的创新方法（HDAFL），通过学习属性特征来优化视觉特征以获取有辨识力的视觉嵌入。具体而言，HDAFL 利用多个卷积核自动学习与图像中属性高度相关的辨别性区域，消除图像特征中的不相关干扰。此外，我们引入了基于 Transformer 的属性判别编码器来增强属性之间的辨别能力。同时，该方法采用对比损失来减轻数据集偏差并增强视觉特征的可传递性，从而实现了观察类别和未观察类别之间更好的语义转移。实验结果在三个广泛使用的数据集上验证了 HDAFL 的有效性。

    Apr, 2024