《Multi-Label Zero-Shot Learning With Structured Knowledge Graphs》论文笔记
台湾国立大学、卡耐基梅隆大学
论文摘要
- 本文提出了一个对于multi-label
zero-shot学习的深度学习框架,这个框架能够为每个输入的实例预测一到多个unseen class labels。 - 根据人类在objets of interests之间使用语义知识(semantic
knowledge)的方法,提出了结合了知识图谱来描述不同labels之间的之间的关系。
Our model learns an information propagation mechanism from the semantic label space, which can be applied to model the inter-dependencies between seen and unseen class labels. - 模型学习了在语义标签空间中的信息传递机制。 这个机制可以用来对seen和unseen class
labels之间的相互依赖关系来建模。 - 视觉推理问题使用了structured knowledge graphs,该模型可以应用于多标签分类和ML-ZSL任务。
introduction
- 多标签问题需要对一个instance关联>=1个标签,同时需要根据labels of interest共同出现的情况来探索标签之间的关联。
- 解决多标签问题的最简单的方法是binary relevance,将问题转化为多个不相关的二分类问题。这样缺乏了co-occurence的信息。等等方法。