Aug, 2023

KMF: 知识感知的多方面表示学习用于零样本节点分类

PDF
TL;DR提出了一种基于知识图谱的多维度框架（KMF），通过提取话题来增强标签语义的丰富性，并将每个节点的内容重构为话题级别的表示，提供多维和细粒度的语义相关性，通过新的几何约束来缓解节点信息聚合引起的原型漂移问题，多个公共图数据集上的实验证明了 KMF 的有效性和泛化性。
发现论文，激发创造
  • 通过多模态知识图谱传播识别未知物体

    本论文针对零样本学习任务中多模态的问题，提出了一种基于知识图谱和密集注意力模块的多模态零样本学习框架，实现了对实体更具差异化的语义迁移过程和精细化的知识获取。

    Jun, 2023

  • 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

  • 多标签图聚合知识的多标签少 / 零样本学习

    这篇研究提出了一种基于多种语义信息的多图聚合模型以增强多标签零 / 少样本文档分类效果，并在多个数据集上进行了实验验证。

    Oct, 2020

  • 基于分解图原型网络的零样本节点分类

    本研究探讨了零样本节点分类问题，通过提取高质量的类别语义描述并设计一种包含图学习模型的分解式原型网络方法，实现了对从未出现过的新类别节点的分类。

    Jun, 2021

  • 知识图谱事实的弱监督上下文化

    本文介绍了一个新的神经事实情境化方法（NFCM）来解决知识图谱事实情境化任务。 NFCM 首先在给定事实的附近生成候选事实集，然后使用监督学习来对候选事实进行排序。

    May, 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

  • 使用结构化知识图谱进行多标签零样本学习

    本文提出了一种新的深度学习架构，用于多标签零样本学习，在这种学习中，可以为每个输入实例预测多个看不见的标签。研究人员提出了一个框架，结合了知识图谱和语义标签空间信息传播机制进行视觉推理，以解决多标签分类和 ML-ZSL 任务。与现有技术相比，该方法的性能相当或有所提高。

    Nov, 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

  • 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

  • 生成式对抗零样本关系学习用于知识图谱

    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。

    Jan, 2020