Page 187 - 《软件学报》2021年第9期

杨博 等:一种协同过滤式零次学习方法 2811

Table 7 Compare the classification accuracy under the local
region feature based ZSL setting (%)
表 7 比较基于局部区域特征的零次学习分类准确率 (%)
方法 准确率
SGA [50] (local) 75.3
SGMA [51] (local) 71.0
RGEN [52] (local) 76.1
CF-ZSL (global) 66.2
CF-ZSL (local) 80.2
4.7 消融实验
4.7.1 映射函数实验分析
为了验证语义图以及图神经网络的作用,本节与使用多层感知机这种类别独立更新的方法进行对比.两组
实验在相同的参数设定下各自进行 10 组实验,并对实验结果取最大值作为最终结果,实验结果见表 8.可以看出:
使用图卷积神经网络作为语义知识表示模型能够获得更好的分类准确率,本质上能为各个类别学得更恰当的
特征表示.本文分析此实验结果背后的原因是:由于多层感知器模型在进行特征映射的过程中,各类别的更新过
程是相互独立、互不影响的,已知类别和新类别间的信息不能很好地进行传递;而图卷积神经网络从图结构数
据出发,可以在非欧式空间中进行消息传递;此外,图卷积神经网络表现出拉普拉斯平滑的作用,可为相似类别
学得相似的特征表示,使得最终分类变得更加准确.
Table 8 Comparative result between GCN and MLP (%)
表 8 GCN 与 MLP 的准确率对比结果 (%)
实验设置 SUN CUB AWA2
MLP 55.3 54.1 51.2
GCN 71.1 66.2 69.2

4.7.2 图结构约束正则项实验分析
为了验证公式(6)中图结构约束正则项对实验结果的影响,本节对比不加入图结构约束的传统零次学习实
验(即损失函数仅为公式(5)中的 L s ),对算法进行评价.两组实验在相同的参数设定下各自进行 10 组实验,取实验
结果最大值作为最终结果.表 9 中,加入图结构约束之后,算法的分类性能有一定程度上的提升,证明了原始语义
空间中的类别语义以及类间语义关联对整个语义知识表示过程起到重要作用.
Table 9 Ablation study of graph structure constraint regularization (%)
表 9 图结构约束正则项消融实验 (%)
实验设置 SUN CUB AWA2
无约束正则项 68.6 64.9 67.8
有约束正则项 71.1 66.2 69.2

4.7.3 图神经网络结构分析
为了验证语义知识表示部分图神经网络结构对模型准确率的影响,本节使用不同层数的图神经网络结构
进行实验,并通过尝试不同的隐层维度,将相同层数下的最优值作为最终结果,见表 10.
Table 10 Effect of graph neural network structure (%)
表 10 图神经网络结构影响 (%)
实验设置 SUN CUB AWA2
1 层 GCLayer 69.8 54.1 70.8
2 层 GCLayer 71.1 66.2 69.2
3 层 GCLayer 66.3 63.4 66.1
4 层 GCLayer 57.9 60.8 64.0
5 层 GCLayer 56.7 57.1 61.7