ACLJul, 2023

Zshot：一个用于零样本命名实体识别和关系抽取的开源框架

PDF
TL;DR该研究提出了一种名为 Zshot 的新型零样本学习（ZSL）框架，旨在解决 ZSL 面临的挑战，为研究人员提供一个平台，允许他们在标准基准数据集上比较不同先进的 ZSL 方法，并且还支持工业界提供可用的 API，用于在标准 SpaCy NLP 流程中进行生产。
zero-shot learningzsllabeled datapretrained language modelszshot
发现论文，激发创造
  • 零 - shot 实体和关系分类的描述增强

    当给定少量标记数据时，零样本学习方法可以利用外部信息（例如文本描述）来对输入文本数据进行实体和关系分类。然而，最近的研究表明这些方法对提供的实体（或关系）描述非常敏感，即使描述的微小修改也可能导致决策边界的变化。本文正式定义了识别零样本推断中有效描述的问题，并提出一种生成初始描述变体的策略、对它们进行排序的启发式方法以及一种能够通过描述增强来提升零样本模型预测效果的集成方法。实验结果表明，我们提出的方法在四个不同的实体和关系分类数据集上优于现有方法，并在零样本学习设置下实现了新的最先进结果。所提出解决方案的源代码和评估框架已经开源。

    Jun, 2024

  • OntoZSL: 基于本体增强的零样本学习

    通过本体论知识表示和语义嵌入，以更丰富和竞争的先验知识建模 ZSL 的类间关系，并使用生成对抗网络（GANs）开发了一种生成 ZSL 框架，以解决已知类和未知类之间的数据不平衡问题。

    Feb, 2021

  • 跨领域多类别和多标记零样本学习

    本文讨论了两种与传统方法相关的工作：利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。

    Mar, 2015

  • 基于自训练字典方法的推导式零样本学习

    本文提出一种基于双向映射的语义关系建模方案，实现跨模态的知识转移并解决领域转化问题，通过迭代更新使得分类器不断加强预测能力，实验结果在三个基准数据集上显著优于现有方法。

    Mar, 2017

  • 以缺失数据问题为形式的零样本学习

    本文探讨了零样本学习方法在解决 ' 缺失数据问题 ' 而非 ' 缺失标签问题 ' 时的有效性，通过将知识从标签嵌入空间转移到图像特征空间，估计未见过的类在图像特征空间的数据分布，实验表明，与现有方法相比，该方法在两个流行数据集上的表现更优

    Dec, 2016

  • 基于数据无关的广义零样本学习

    基于 CLIP 基类分类器的无数据零样本学习方法提出了一个通用框架，该框架包含三个主要组成部分：基于 vMF 分布建模基类数据的虚拟特征恢复、特征 - 语言输入调整以进一步对齐虚拟图像特征和文本特征、使用对齐后的特征训练条件生成模型，可以生成新类别的特征并实现更好的零样本泛化。在常用的五个广义 ZSL 基准和 11 个基类到新类别 ZSL 基准上进行了评估，结果显示了该方法的优越性和有效性。

    Jan, 2024

  • 广义零样本学习在野外物体识别中的实证研究与分析

    本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的 generalized zero-shot learning 的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于 GZSL 的重要性。

    May, 2016

  • 零样本学习用于需求分类：探索性研究

    本研究提出了使用零样本学习方法进行需求分类的可能性，使用了上下文词嵌入和基于 transformer 的语言模型，通过一系列实验展示了该方法在三项分类任务上取得了不俗的结果。这种零样本学习方法可以缓解在需求工程中数据短缺的问题。

    Feb, 2023

  • 零样本识别的渐进式集成网络

    本研究提出了一种新型的渐进式集成网络模型，采用多个投影标签嵌入来解决零样本图像识别问题，在有标记和无标记的数据上进行训练，为未标记的类提供知识转移，通过渐进式训练框架和预测伪标签来逐步标注最自信的图像，并更新集成网络以扩展到广义零样本学习情境，实验证明提出的模型在多个零样本学习数据集上具有很好的性能。

    May, 2018

  • 关于通用物体的零样本识别

    本文主要探讨了当前零样本学习（ZSL）模型在 Imagenet 基准测试中的不足之处，提出了基准测试质量不高的原因，并分析了影响 ZSL 模型准确性的不同因素。进一步介绍了 ZSL 数据集中的结构偏见，并详细阐述了半自动构建新基准的方法，以应对这些缺陷。

    Apr, 2019