초록
제로샷 학습은 레이블이 없는 예시 없이 클래스를 예측하기 위해 수동으로 설계된 속성이나 학습된 임베딩과 같은 의미론적 클래스 표현에 의존한다. 본 연구에서는 보편적인 공감 지식 그래프(commonsense knowledge graphs)의 노드를 벡터 공간에 임베딩함으로써 클래스 표현을 학습하는 방법을 제안한다. 공감 지식 그래프는 인간의 노력이 거의 필요 없이 다양한 작업에 적용할 수 있는 명시적이고 고수준의 지식을 풍부하게 담고 있는 아직 활용되지 않은 자원이다. 그래프 내 지식을 효과적으로 포착하기 위해, 새로운 트랜스포머 기반 그래프 컨볼루션 네트워크(TrGCN)를 채택한 일반적인 프레임워크인 ZSL-KG를 제안한다. 제안한 TrGCN 아키텍처는 노드의 이웃 집합에 대한 비선형 조합을 계산한다. 실험 결과, ZSL-KG는 언어 및 비전 분야의 여섯 개 제로샷 벤치마크 데이터셋 중 다섯 개에서 기존의 WordNet 기반 방법보다 우수한 성능을 보였다.