zero-shot learning (ZSL), which aims to predict for those classes that have
never appeared in the training data, has arisen hot research interests. The key
of implementing ZSL is to leverage the prior knowledge of classes which builds
the semantic relationship between classes and enabl
本文研究使用本体论和知识图谱来增强零样本学习的方法，提出了一种新的零样本学习框架 DOZSL，其中包含两种新的基于生成模型和图传播模型的解决方案，能够有效利用分离的本体论嵌入来捕捉和利用不同方面的更细粒度的类之间的关系。在零样本图像分类和零样本 KG 完成方面的五个基准测试中，DOZSL 通常比最先进的方法获得更好的性能，其组件已通过消融研究和案例研究进行了验证。