論文の概要: Zero-shot Relation Classification from Side Information
- arxiv url: http://arxiv.org/abs/2011.07126v2
- Date: Thu, 18 Nov 2021 19:02:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 23:25:58.738969
- Title: Zero-shot Relation Classification from Side Information
- Title(参考訳): 側情報からのゼロショット関係分類
- Authors: Jiaying Gong and Hoda Eldardiry
- Abstract要約: ゼロショット学習アプローチは、人間が事前知識のない新しい概念を学習し、認識する方法を模倣する。
ZSLRCは、重み付けされた側(補助的)情報を利用するように修正された先進的なネットワークを使用する。
ZSLRCは、教師付き学習、少数ショット学習、ゼロショット学習タスクにおいて最先端の手法を著しく上回っている。
- 参考スコア(独自算出の注目度): 5.609443065827996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a zero-shot learning relation classification (ZSLRC) framework
that improves on state-of-the-art by its ability to recognize novel relations
that were not present in training data. The zero-shot learning approach mimics
the way humans learn and recognize new concepts with no prior knowledge. To
achieve this, ZSLRC uses advanced prototypical networks that are modified to
utilize weighted side (auxiliary) information. ZSLRC's side information is
built from keywords, hypernyms of name entities, and labels and their synonyms.
ZSLRC also includes an automatic hypernym extraction framework that acquires
hypernyms of various name entities directly from the web. ZSLRC improves on
state-of-the-art few-shot learning relation classification methods that rely on
labeled training data and is therefore applicable more widely even in
real-world scenarios where some relations have no corresponding labeled
examples for training. We present results using extensive experiments on two
public datasets (NYT and FewRel) and show that ZSLRC significantly outperforms
state-of-the-art methods on supervised learning, few-shot learning, and
zero-shot learning tasks. Our experimental results also demonstrate the
effectiveness and robustness of our proposed model.
- Abstract(参考訳): 本稿では,訓練データに存在しない新しい関係を認識できることにより,最先端の知識を改良したゼロショット学習関係分類(zslrc)フレームワークを提案する。
ゼロショット学習アプローチは、人間が事前知識のない新しい概念を学習し、認識する方法を模倣する。
これを実現するためにZSLRCは、重み付けされた側(補助的)情報を利用するように修正された高度なプロトタイプネットワークを使用する。
ZSLRCのサイド情報はキーワード、名前エンティティのハイパーネーム、ラベルとそのシノニムから構築されている。
ZSLRCはまた、Webから直接様々な名前エンティティのハイパーネムを取得する自動ハイパーネム抽出フレームワークも備えている。
ZSLRCは、ラベル付きトレーニングデータに依存する最先端の数発学習関係分類法を改善しており、ある関係にラベル付きトレーニングの例がない実世界のシナリオにおいてもより広く適用可能である。
我々は,2つの公開データセット(NYTとFewRel)の広範な実験結果を用いて,ZSLRCが教師付き学習,少数ショット学習,ゼロショット学習タスクにおいて,最先端の手法を著しく上回っていることを示す。
また,提案モデルの有効性とロバスト性についても実験的に検証した。
関連論文リスト
- Contextual Interaction via Primitive-based Adversarial Training For Compositional Zero-shot Learning [23.757252768668497]
合成ゼロショット学習(CZSL)は、既知の属性オブジェクト対を通じて新規な合成を識別することを目的としている。
CZSLタスクの最大の課題は、属性とオブジェクトの視覚的プリミティブの間の複雑な相互作用によって導入された大きな相違にある。
本稿では,モデルに依存しない原始的適応学習(PBadv)手法を提案する。
論文 参考訳(メタデータ) (2024-06-21T08:18:30Z) - A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。
自己教師型学習のための生成潜在変数モデルを提案する。
対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
論文 参考訳(メタデータ) (2024-02-02T13:31:17Z) - Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳(メタデータ) (2023-06-14T13:07:48Z) - Active Self-Supervised Learning: A Few Low-Cost Relationships Are All
You Need [34.013568381942775]
Self-Supervised Learning (SSL)は、ラベルのないデータから転送可能な表現を学習する選択肢のソリューションとして登場した。
本研究では,この原理を正のアクティブラーニング(PAL)によって形式化し,一般化する。
まず、SSLを超えて理論的に基礎を成す学習フレームワークを公開し、類似性グラフに基づいて、採用するオラクルに応じて教師付きおよび半教師付き学習に取り組むように拡張する。
第二に、事前知識、例えばいくつかのラベルをトレーニングパイプラインの変更なしにSSL損失に組み込むための一貫したアルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-03-27T14:44:39Z) - Mutual Balancing in State-Object Components for Compositional Zero-Shot
Learning [0.0]
合成ゼロショット学習(CZSL)は、目に見えない状態や物体から未知の合成を認識することを目的としている。
そこで本研究では,CZSLのSTate-Object Components (MUST) におけるMUtual Balanceと呼ばれる新しい手法を提案する。
我々のアプローチは、MIT-States、UT-Zappos、C-GQAといった基本的なCZSLフレームワークと組み合わせることで、最先端のCZSLよりも大幅に優れています。
論文 参考訳(メタデータ) (2022-11-19T10:21:22Z) - Cross-modal Representation Learning for Zero-shot Action Recognition [67.57406812235767]
我々は、ゼロショット動作認識(ZSAR)のためのビデオデータとテキストラベルを共同で符号化するクロスモーダルトランスフォーマーベースのフレームワークを提案する。
我々のモデルは概念的に新しいパイプラインを使用し、視覚的表現と視覚的意味的関連をエンドツーエンドで学習する。
実験結果から,本モデルはZSARの芸術的状況に大きく改善され,UCF101,HMDB51,ActivityNetベンチマークデータセット上でトップ1の精度が向上した。
論文 参考訳(メタデータ) (2022-05-03T17:39:27Z) - Weak Augmentation Guided Relational Self-Supervised Learning [80.0680103295137]
本稿では、異なるインスタンス間の関係をモデル化して表現を学習する新しいリレーショナル自己教師型学習(ReSSL)フレームワークを提案する。
提案手法では,異なるインスタンス間でのペアワイズ類似度の分布を,テクトitrelationmetricとして高めている。
実験の結果,提案したReSSLは,ネットワークアーキテクチャの異なる最先端手法よりも大幅に優れていた。
論文 参考訳(メタデータ) (2022-03-16T16:14:19Z) - ReSSL: Relational Self-Supervised Learning with Weak Augmentation [68.47096022526927]
自己教師付き学習は、データアノテーションなしで視覚表現を学ぶことに成功しました。
本稿では,異なるインスタンス間の関係をモデル化して表現を学習する新しいリレーショナルSSLパラダイムを提案する。
提案したReSSLは,性能とトレーニング効率の両面で,従来の最先端アルゴリズムよりも大幅に優れています。
論文 参考訳(メタデータ) (2021-07-20T06:53:07Z) - OntoZSL: Ontology-enhanced Zero-shot Learning [19.87808305218359]
Zero-shot Learning(ZSL)の実装の鍵は、クラス間の意味的な関係を構築するクラスの以前の知識を活用することです。
本稿では,zslのクラス間関係をモデル化するために,より豊かで競争力の高い事前知識を探索する。
目に見えないクラス間のデータ不均衡に対処するため,GAN(Generative Adversarial Networks)を用いた生成型ZSLフレームワークを開発した。
論文 参考訳(メタデータ) (2021-02-15T04:39:58Z) - Incremental Embedding Learning via Zero-Shot Translation [65.94349068508863]
現在の最先端のインクリメンタル学習手法は、従来の分類ネットワークにおける破滅的な忘れ方問題に取り組む。
ゼロショット変換クラス増分法(ZSTCI)と呼ばれる新しい組込みネットワークのクラス増分法を提案する。
さらに、ZSTCIを既存の正規化ベースのインクリメンタル学習手法と組み合わせることで、組み込みネットワークの性能をより向上させることができる。
論文 参考訳(メタデータ) (2020-12-31T08:21:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。