Jan, 2020

生成式对抗零样本关系学习用于知识图谱

PDF
TL;DR本文提出了一种零样本学习方法，利用生成对抗网络从文本描述中学习新关系的语义特征并在知识图谱中识别新关系的事实，使得知识图谱的扩展更加容易，实验结果表明这种方法可以被广泛应用于任何版本的知识图嵌入，并在 NELL 和 Wiki 数据集上实现了一致的性能提升。
knowledge graph completionzero-shot learninggenerative adversarial networkssemantic featuressupervised classification
发现论文，激发创造
  • 知识图谱的单次关系学习

    本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。

    Aug, 2018

  • 基于大型语言模型的时间知识图谱的零样本关系学习

    通过将知识图谱关系的文本描述输入到大型语言模型中，我们提出了一种新的方法以解决传统知识图谱预测中的无先验图谱上下文的零样本关系建模问题，并通过引入大型语言模型增强的关系表示，使传统模型能够识别没有观察到的关系，在预测未知关系方面取得更好的性能。

    Nov, 2023

  • 多模态知识图谱的零样本关系学习

    我们提出了一个新颖的端到端框架，包含三个组成部分：多模态学习器、结构整合器和关系嵌入生成器，以整合多样化的多模态信息和知识图结构，从而促进零样本关系学习。通过对两个多模态知识图的评估结果，证明了我们提出方法的卓越性能。

    Apr, 2024

  • TGG：零样本学习和少样本学习的可转移图生成

    提出一种 Transferable Graph Generation 方法应用于 zero-shot/few-shot 学习领域，采用显式的图生成建模来解决隐式方法的关系不充分的问题。通过由一个基于注意力机制的图生成网络和一个关系核心生成与学习充分，从而实现对未知领域的知识迁移。

    Aug, 2019

  • 基于生成对抗网络的噪声文本零样本学习方法

    利用生成对抗网络 (GANs) 想象从文本描述中无法见到的类别，生成目标类别的视觉特征，附加伪数据，使得零样本学习自然地转换为传统的分类问题，并提出视觉中心正则化以保持生成特征的跨类别区分能力。实验表明，该方法在基于文本的零样本学习的最大可用基准测试中始终优于现有技术水平。

    Dec, 2017

  • 通过语义嵌入和知识图谱进行零样本识别

    本研究旨在解决零样本识别问题，基于语义嵌入和分类关系预测视觉分类器，提出了一种基于图卷积网络的方法，并在知识图中学习得到的结果表明，相比于当前的最先进结果，该方法在性能上获得了显著提升。

    Mar, 2018

  • 基于逻辑引导的零样本关系分类语义表示学习

    该研究提出了一种基于逻辑引导的语义表示学习模型，通过知识图谱嵌入和逻辑规则，在已知和未知关系之间建立联系，用于零样本关系分类。实验结果表明，该方法可以推广到未见关系类型，并取得了有希望的提升。

    Oct, 2020

  • 基于常识知识图谱的零样本学习

    使用 TrGCN 结构，从 common sense knowledge graphs 中，学习类别的表示形式，有效地提高了 zero-shot learning 的准确性。

    Jun, 2020

  • 少样本知识图谱补全

    本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。

    Nov, 2019

  • 泛零样本学习生成对抗网络

    本文研究了广义零样学习问题，提出了一种新的模型联合了三种不同的方法：视觉 -> 语义映射，语义 -> 视觉映射和度量学习，并且将它们统一在一个框架内，最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性，而且在分类未知类别的图像上性能也比现有的最先进模型要更好。

    Nov, 2018