ゼロショット学習（Zero-shot learning）は、ラベル付き例を一切用いずにクラスを予測するため、手動で設計された属性や学習された埋め込みといった意味的クラス表現に依存している。本研究では、常識知識グラフ（common sense knowledge graphs）のノードをベクトル空間に埋め込むことで、クラス表現を学習する手法を提案する。常識知識グラフは、多様なタスクに適用する際に人手による作業がほとんど不要な明示的かつ高レベルの知識の豊富な源であり、これまで十分に活用されていない。このグラフに含まれる知識を捉えるために、新たなトランスフォーマー型グラフ畳み込みネットワーク（TrGCN）を用いた汎用的なフレームワーク「ZSL-KG」を導入する。提案するTrGCNアーキテクチャは、ノードの近傍領域の非線形な組み合わせを計算することで、より豊かなクラス表現を生成する。実験結果から、ZSL-KGは、言語および視覚分野における6つのゼロショットベンチマークデータセットのうち5つにおいて、従来のWordNetに基づく手法を上回ることが示された。