LaKo：Late Knowledge-to-Text Injectionを用いた知識駆動型視覚質問応答

視覚的質問応答（Visual Question Answering; VQA）は、視覚的概念と言語意味論の理解を要するが、これらは外部知識に依存する場合が多い。既存の多数の手法は事前学習された言語モデルや／および非構造化テキストを活用しているが、これらのリソースに含まれる知識はしばしば不完全であり、ノイズが多い。他方、知識グラフ（Knowledge Graph; KG）を用いる手法も存在するが、それらは構造化された知識を豊富に含む一方で、研究は依然として初期段階にとどまっている。本論文では、後段の知識テキスト注入（Late Knowledge-to-text Injection）を用いた知識駆動型VQA手法であるLaKoを提案する。外部KGを効果的に活用するため、三項組（triples）をテキスト形式に変換し、知識統合のための後段注入機構を提案する。最終的に、効果的なエンコーダデコーダ枠組みを用いてVQAをテキスト生成タスクとして定式化し、OKVQAデータセットにおいて最先端の性能を達成した。