Nov, 2022

KGTN-ens: 知识图谱集成的少样本图像分类

PDF
TL;DR本文提出了一个框架 KGTN-ens，扩展了最近的知识图传输网络（KGTN），以在小成本内合并多个知识图嵌入。作者使用不同嵌入的组合在少量样本图像分类任务中对其进行评估。同时，作者构建了一个新的知识源 ——Wikidata 嵌入，并使用 KGTN 和 KGTN-ens 进行了评估。本方法在 ImageNet-FS 数据集上的前五准确率方面优于 KGTN。
kgtn-ensknowledge graph transfer networkembeddingsimage classificationwikidata
发现论文，激发创造
  • 基于集成知识迁移的多语言知识图谱补全

    本文提出了一种名为 KEnS 的新型框架，用于跨多个语言特定的知识图谱进行嵌入学习和集成知识传递，实现 KG 完成的改进。

    Oct, 2020

  • Few-Shot 识别的知识图谱迁移网络

    该研究提出了一种基于知识图谱的网络模型，通过在少量训练数据的基础上进行信息传递和语义相关性分析，实现在大规模数据集上进行 few-shot 的学习，取得了较好的效果。

    Nov, 2019

  • 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

  • 基于知识嵌入的图卷积网络

    本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。

    Jun, 2020

  • KGNN：面向图神经知识表示的分布式框架

    KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。

    May, 2022

  • 基于知识迁移的图少样本学习

    本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

    Oct, 2019

  • 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

  • 基于知识引导的多标签少样本学习在通用图像识别中的应用

    本文提出了一种基于知识图谱和深度神经网络的多标签图像识别框架，利用先验统计信息辅助多标签分析，减少对训练样本的依赖，并在传统多标签图像识别、少样本学习等领域取得了优于现有最先进方法的显著成果。

    Sep, 2020

  • 利用概念感知信息在时间知识图上进行小样本归纳学习

    该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法，其中利用元学习和新构建的数据集来实现对未见实体的归纳学习，在此基础上提出了概念感知模型来提高模型比较性能。

    Nov, 2022

  • DisenKGAT：具有解耦图注意力网络的知识图嵌入

    本研究提出了一种新的分离知识图谱注意力网络 (DisenKGAT)，该网络采用微观分离和宏观分离来利用知识图谱背后的表示，并针对给定场景生成自适应表示。通过在公共基准数据集上进行广泛实验，验证了 DisenKGAT 在准确性和可解释性方面优于现有方法。

    Aug, 2021