論文の概要: Semantic Enhanced Knowledge Graph for Large-Scale Zero-Shot Learning
- arxiv url: http://arxiv.org/abs/2212.13151v1
- Date: Mon, 26 Dec 2022 13:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 14:53:27.036733
- Title: Semantic Enhanced Knowledge Graph for Large-Scale Zero-Shot Learning
- Title(参考訳): 大規模ゼロショット学習のためのセマンティック強化知識グラフ
- Authors: Jiwei Wei, Yang Yang, Zeyu Ma, Jingjing Li, Xing Xu, Heng Tao Shen
- Abstract要約: 我々は、専門知識とカテゴリ意味相関の両方を含む新しい意味強化知識グラフを提供する。
知識グラフの情報伝達のために,Residual Graph Convolutional Network (ResGCN)を提案する。
大規模画像Net-21KデータセットとAWA2データセットを用いた実験により,本手法の有効性が示された。
- 参考スコア(独自算出の注目度): 74.6485604326913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zero-Shot Learning has been a highlighted research topic in both vision and
language areas. Recently, most existing methods adopt structured knowledge
information to model explicit correlations among categories and use deep graph
convolutional network to propagate information between different categories.
However, it is difficult to add new categories to existing structured knowledge
graph, and deep graph convolutional network suffers from over-smoothing
problem. In this paper, we provide a new semantic enhanced knowledge graph that
contains both expert knowledge and categories semantic correlation. Our
semantic enhanced knowledge graph can further enhance the correlations among
categories and make it easy to absorb new categories. To propagate information
on the knowledge graph, we propose a novel Residual Graph Convolutional Network
(ResGCN), which can effectively alleviate the problem of over-smoothing.
Experiments conducted on the widely used large-scale ImageNet-21K dataset and
AWA2 dataset show the effectiveness of our method, and establish a new
state-of-the-art on zero-shot learning. Moreover, our results on the
large-scale ImageNet-21K with various feature extraction networks show that our
method has better generalization and robustness.
- Abstract(参考訳): Zero-Shot Learningは、ビジョンと言語分野の両方において、注目すべき研究トピックである。
近年,ほとんどの既存手法では,カテゴリ間の明示的相関をモデル化するために構造化知識情報を採用し,ディープグラフ畳み込みネットワークを用いてカテゴリ間の情報伝達を行っている。
しかし、既存の構造化知識グラフに新たなカテゴリを追加することは困難であり、ディープグラフ畳み込みネットワークは過度に滑らかな問題に悩まされる。
本稿では,専門知識とカテゴリー意味相関の両方を含む新しい意味的拡張知識グラフを提案する。
セマンティクス強化知識グラフは,カテゴリ間の相関をさらに強化し,新たなカテゴリを吸収しやすくする。
知識グラフに関する情報を伝達するために,我々はResidual Graph Convolutional Network (ResGCN)を提案する。
大規模なImageNet-21KデータセットとAWA2データセットを用いた実験は,本手法の有効性を示し,ゼロショット学習における新たな最先端技術を確立する。
さらに,様々な特徴抽出ネットワークを用いた大規模imagenet-21kの結果から,本手法の一般化とロバスト性が向上した。
関連論文リスト
- Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳(メタデータ) (2023-05-29T04:51:09Z) - A Comprehensive Survey on Deep Graph Representation Learning [26.24869157855632]
グラフ表現学習は、高次元スパースグラフ構造化データを低次元密度ベクトルに符号化することを目的としている。
従来の手法ではモデル能力に制限があり、学習性能に制限がある。
深層グラフ表現学習は、浅い(伝統的な)方法よりも大きな可能性と利点を示している。
論文 参考訳(メタデータ) (2023-04-11T08:23:52Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳(メタデータ) (2023-01-14T09:15:49Z) - InfoGCL: Information-Aware Graph Contrastive Learning [26.683911257080304]
コントラスト学習過程において,グラフ情報がどのように変換され,伝達されるかを検討する。
本稿では,InfoGCL と呼ばれる情報認識型グラフコントラスト学習フレームワークを提案する。
我々は,最近のグラフコントラスト学習手法をフレームワークによって統一できることを初めて示す。
論文 参考訳(メタデータ) (2021-10-28T21:10:39Z) - Graph Representation Learning by Ensemble Aggregating Subgraphs via
Mutual Information Maximization [5.419711903307341]
グラフニューラルネットワークが学習するグラフレベルの表現を高めるための自己監視型学習法を提案する。
グラフ構造を網羅的に理解するために,サブグラフ法のようなアンサンブル学習を提案する。
また, 効率的かつ効果的な対位学習を実現するために, ヘッドテールコントラストサンプル構築法を提案する。
論文 参考訳(メタデータ) (2021-03-24T12:06:12Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-02-14T05:28:13Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳(メタデータ) (2020-09-19T09:26:20Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z)
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。