AAAIJan, 2019

基于知识图谱的人类中心迁移学习解释 [扩展摘要]

PDF
TL;DR本文介绍了两种基于知识图谱（KG）的框架，用于人类可理解的迁移学习解释，其中一种利用卷积神经网络（CNN）学习的特征的可转移性，另一种则通过零样本学习（ZSL）从多个源域预测目标域的模型，并利用 KG 及其推理能力来提供丰富而易于理解的解释。
transfer learningknowledge graphinterpretableconvolutional neural networkzero-shot learning
发现论文，激发创造
  • 使用知识图谱进行视觉迁移学习的调查

    本文综述了利用知识图谱的视觉迁移学习方法，着重分析知识图谱的建模结构、特征提取和知识图嵌入方法，并介绍了四种知识图谱与深度学习管道的组合方式。同时，提供了评估基准、处理数据集和基于知识图谱的辅助知识类型的概述。未来的研究应着眼于挖掘面临的挑战和开放问题。

    Jan, 2022

  • 桥接 - GNN：有效知识转移的知识桥接学习

    数据需求过大的难题给深度学习模型带来了挑战，我们提出了一种基于图神经网络的知识桥接学习方法（KBL），通过构建桥接图和样本间的知识传递，KBL 不受强假设限制且对源数据的噪声具有鲁棒性，实验证明 Bridged-GNN 方法在有限数据场景中显著提升了性能。

    Aug, 2023

  • 跨领域知识转移的图启用方法

    通过跨领域知识转移来减少领域知识不足的影响，结合半监督学习及大量无监督数据，提高机器学习任务的性能以实现自动决策

    Apr, 2023

  • 基于多个知识图谱的模块化迁移学习用于零样本常识推理

    本文提出一种模块化的知识聚合的零 - shot 常识推理框架，可以在多个不同的知识图谱中应用，提高了常识推理性能。

    Jun, 2022

  • 基于远程监督迭代训练的粗到细的知识图谱领域适应

    本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题，提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架，并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取，实验结果表明，该框架可以有效执行领域适应和构建知识图谱的任务。

    Nov, 2022

  • 深度学习中的可迁移性研究

    本文介绍深度学习中的迁移学习，包含核心原理和方法、面临的基本问题、未解决的问题以及工具库和基准测试等方面的内容。

    Jan, 2022

  • 利用概率知识传递学习深度表示

    本文提出了一种新的知识迁移技术，能够训练一个学生模型，使其保持与教师模型之间相同数量的互信息，与现有的 KT 方法相比，该方法能够克服一些局限性，并提供新的 KT 应用。

    Mar, 2018

  • 迁移学习中在转移什么？

    通过对块状图像的转换，本文分析了迁移学习的不同作用，提供了新的工具和分析方法，并阐述了模型在相同损失空间下的相似之处。

    Aug, 2020

  • 深度协作学习的知识转移图

    本文提出了一种新的基于图的知识迁移方法，其中引入了知识迁移图和四个门函数来控制梯度，以实现更加灵活和多样化的迁移方式。实验结果表明，该方法在 CIFAR-10、-100 和 Tiny-ImageNet 数据集上实现了显著的性能改进，并能够发现出色的图结构。

    Sep, 2019

  • 使用知识图谱进行深度强化学习的迁移学习

    该研究探讨了使用知识图谱作为域知识传输的表示来训练文本冒险游戏中的强化学习智能体的方法，测试其在多个游戏上的迁移学习能力，结果表明这种方法能够更快地学习高质量的控制策略。

    Aug, 2019