論文の概要: K-ZSL: Resources for Knowledge-driven Zero-shot Learning

• arxiv url: http://arxiv.org/abs/2106.15047v1
• Date: Tue, 29 Jun 2021 01:22:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 06:29:50.805098
• Title: K-ZSL: Resources for Knowledge-driven Zero-shot Learning
• Title（参考訳）: k-zsl: 知識駆動ゼロショット学習のためのリソース
• Authors: Yuxia Geng, Jiaoyan Chen, Zhuo Chen, Jeff Z. Pan, Zonggang Yuan, Huajun Chen
• Abstract要約: ゼロショット学習(ZSL)において外部知識(側面情報)が重要な役割を果たす 本稿では,ゼロショット画像分類(ZS-IMGC)とゼロショットKG補完(ZS-KGC)におけるKGベースの研究のための5つのリソースを提案する。 各リソースに対して、関係知識から論理表現まで、テキストから属性まで、セマンティックスを含むベンチマークとKGをコントリビュートした。
• 参考スコア（独自算出の注目度）: 19.142028501513362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: External knowledge (a.k.a side information) plays a critical role in zero-shot learning (ZSL) which aims to predict with unseen classes that have never appeared in training data. Several kinds of external knowledge such as text and attribute have been widely investigated, but they alone are limited with incomplete semantics. Therefore, some very recent studies propose to use Knowledge Graph (KG) due to its high expressivity and compatibility for representing kinds of knowledge. However, the ZSL community is still short of standard benchmarks for studying and comparing different KG-based ZSL methods. In this paper, we proposed 5 resources for KG-based research in zero-shot image classification (ZS-IMGC) and zero-shot KG completion (ZS-KGC). For each resource, we contributed a benchmark and its KG with semantics ranging from text to attributes, from relational knowledge to logical expressions. We have clearly presented how the resources are constructed, their statistics and formats, and how they can be utilized with cases in evaluating ZSL methods' performance and explanations. Our resources are available at https://github.com/China-UK-ZSL/Resources_for_KZSL.
• Abstract（参考訳）: 外部知識(つまりサイド情報)はゼロショット学習(zsl)において重要な役割を果たす。 テキストや属性などの外部知識は広く研究されているが,不完全な意味論のみに限られている。 したがって、近年の研究では、知識の種類を表現するために、高い表現性と互換性のため、知識グラフ(KG)を使うことが提案されている。 しかし、ZSLコミュニティは、異なるKGベースのZSL手法の研究と比較のための標準ベンチマークにはまだ不足している。 本稿では,ゼロショット画像分類(ZS-IMGC)とゼロショットKG補完(ZS-KGC)において,KGに基づく5つのリソースを提案する。 各リソースに対して、関係知識から論理表現まで、テキストから属性まで、セマンティックスを含むベンチマークとKGをコントリビュートした。 我々は,zsl手法の性能と説明を評価する場合に,リソースがどのように構築されているか,統計とフォーマット,どのように活用できるかを明確に提示した。 リソースはhttps://github.com/China-UK-ZSL/Resources_for_KZSLで利用可能です。

関連論文リスト

• Knowledge Graph-Enhanced Large Language Models via Path Selection [58.228392005755026]
  大規模言語モデル(LLM)は、様々な現実世界のアプリケーションで前例のない性能を示している。 LLMは実際に不正確な出力、すなわち幻覚の問題を発生させることが知られている。 上記の問題に対処する3段階の原理的フレームワークKELPを提案する。
  論文  参考訳（メタデータ） (2024-06-19T21:45:20Z)
• Data-Free Generalized Zero-Shot Learning [45.86614536578522]
  データフリーゼロショット学習(DFZSL)のための汎用フレームワークを提案する。 我々のフレームワークは、一般化ZSLの5つの一般的なベンチマークと、ベース・ツー・ニューZSLの11のベンチマークで評価されている。
  論文  参考訳（メタデータ） (2024-01-28T13:26:47Z)
• 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)
• Prompting Language-Informed Distribution for Compositional Zero-Shot Learning [73.49852821602057]
  合成ゼロショット学習(CZSL)タスクは、目に見えない合成視覚概念を認識することを目的としている。 本稿では,タスクに対して言語インフォームド分布(PLID)を指示するモデルを提案する。 MIT-States、UT-Zappos、C-GQAデータセットの実験結果は、PLIDの先行技術よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2023-05-23T18:00:22Z)
• Disentangled Ontology Embedding for Zero-shot Learning [39.014714187825646]
  知識グラフ(KG)とその変種オントロジーは知識表現に広く用いられており、ゼロショット学習(ZSL)の増強に非常に有効であることが示されている。 KGsを利用する既存のZSL法は、KGsで表されるクラス間関係の複雑さを全て無視する。 本稿では,ZSLの拡張に焦点をあて,意味的特性によって導かれる絡み合ったオントロジーの埋め込みを学習することを提案する。 また、生成モデルとグラフ伝搬モデルに基づく2つの新しいZSLソリューションを含む、DOZSLという新しいZSLフレームワークをコントリビュートする。
  論文  参考訳（メタデータ） (2022-06-08T08:29:30Z)
• KG-SP: Knowledge Guided Simple Primitives for Open World Compositional Zero-Shot Learning [52.422873819371276]
  オープンワールドコンポジションゼロショット学習(OW-CZSL)の目的は、画像中の状態とオブジェクトの合成を認識することである。 ここでは、単純なCZSLベースラインを再検討し、プリミティブ、すなわち状態とオブジェクトを独立して予測する。 出力空間から不可能な構成を除去するために, 外部知識を用いて各構成の有効性を推定する。 我々のモデルであるKG-SPはOW-CZSLとpCZSLの両方で技術の状態を達成する。
  論文  参考訳（メタデータ） (2022-05-13T17:18:15Z)
• Low-resource Learning with Knowledge Graphs: A Comprehensive Survey [34.18863318808325]
  機械学習の手法は、トレーニングのためにラベル付きサンプルを多用することが多い。 低リソースの学習は、十分なリソースを持たない堅牢な予測モデルを学ぶことを目的としています。 知識グラフ(KG)は、知識表現においてますます人気が高まっている。
  論文  参考訳（メタデータ） (2021-12-18T21:40:50Z)
• LeBenchmark: A Reproducible Framework for Assessing Self-Supervised Representation Learning from Speech [63.84741259993937]
  膨大なラベルのないデータを用いた自己教師付き学習(SSL)は、画像処理と自然言語処理に成功している。 最近の研究では、音声からSSLも調べた。 音声からSSLを評価する再現可能なフレームワークであるLeBenchmarkを提案する。
  論文  参考訳（メタデータ） (2021-04-23T08:27:09Z)
• 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)
• KACC: A Multi-task Benchmark for Knowledge Abstraction, Concretization and Completion [99.47414073164656]
  包括的知識グラフ(KG)は、インスタンスレベルのエンティティグラフとオントロジーレベルの概念グラフを含む。 2ビューのKGは、知識の抽象化、包括化、完成に関する人間の能力を「シミュレーション」するためのモデルのためのテストベッドを提供する。 我々は,データセットのスケール,タスクカバレッジ,難易度の観点から,既存のベンチマークを改善した統一KGベンチマークを提案する。
  論文  参考訳（メタデータ） (2020-04-28T16:21:57Z)
• Generative Adversarial Zero-shot Learning via Knowledge Graphs [32.42721467499858]
  本稿では,知識グラフ(KG)にリッチセマンティクスを組み込むことにより,KG-GANという新たな生成ZSL手法を提案する。 具体的には、グラフニューラルネットワークに基づいて、クラスビューと属性ビューの2つのビューからKGをエンコードする。 各ノードに対してよく学習されたセマンティックな埋め込み(視覚圏を表す)を用いて、GANを活用して、目に見えないクラスの魅力的な視覚的特徴を合成する。
  論文  参考訳（メタデータ） (2020-04-07T03:55:26Z)

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。