1. 摘要

最近，图卷积神经网络在零样本学习任务中显示出了巨大的潜力。这些模型具有高度的采样效率，因为图结构中的相关概念共享statistical strength，允许在缺少数据时对新类进行泛化。然而，由于多层架构需要将知识传播到图中较远的节点，因此在每一层都进行了广泛的拉普拉斯平滑来稀释知识，从而降低了性能。为了仍然享受图结构带来的好处，同时防止远距离节点的知识被稀释，我们提出了一种密集图传播(DGP)模块，该模块在远端节点之间精心设计了直接链接。DGP允许我们通过附加连接利用知识图的层次图结构。这些连接是根据节点与其祖先和后代的关系添加的。为了提高图中信息的传播速度，进一步采用加权方案，根据到节点的距离对它们的贡献进行加权。结合两阶段训练方法中的表示的微调，我们的方法优于目前最先进的零样本学习方法。

2. 关键思想

本文在论文 1 的基础上进行了改进，包括以下几个方面：

   （1）更少的 GCN 层数，论文 1 中使用了 6 层神经网络进行训练，考虑到模型参数的优化问题，本文只使用了 2 层神经网络进行计算，即 GPM；

   （2）减少层数的同时，一些较远节点将不被考虑在内，为了解决这个问题，作者将一些节点的祖先节点/子孙节点直接与该节点相连，生成了更密集的图，即DGPM；同时，这些直接相连的边按照距离的远近，加入attention机制进行了加权计算，即 ADGPM；

  （3）作者还提出了在CNN部分根据graph信息进行fine tune的计算方式，使得提取图片特征的卷积网络可根据一些新出现的class进行更新。

   作者使用了与论文1中相同的数据集，即ImageNet 2012 1kclass(seen class)作为训练，ImageNet 2-hops/3-hops/all(unseen class)三个测试集作为测试。对比结果如下，其中GCNZ代表论文1中的方法，GPM、DGPM、ADGPM分别表示上述优化的(1)(2)方面，GPM(f)、DGPM(f)、ADGPM(f)表示finetune的结果，同样地，“2-hops+1k”表示generalizedZSL。