May, 2024

混合模态知识专家用于鲁棒的多模态知识图补全

PDF
TL;DR多模态知识图谱补全 (MMKGC) 旨在通过协同建模大量三元组中隐藏的结构信息和实体的多模态特征，自动发现给定的多模态知识图谱中的新知识三元组。我们引入了一种新颖的 MMKGC 框架，即混合模态知识专家 (MoMoK)，来学习在复杂关系环境下自适应的多模态嵌入。通过设计关系指导的模态知识专家来获取关系感知的模态嵌入，并整合多模态的预测结果以实现全面的决策。此外，通过最小化它们的互信息来解开这些专家之间的联系。在四个公开的 MMKG 基准上的实验证明了 MoMoK 在复杂情境下的出色性能。
multi-modal knowledge graph completionmmkgcmulti-modal featuresmodality embeddingsmixture of modality knowledge experts
发现论文，激发创造
  • NativE: 野外多模态知识图谱补全

    提出了一种名为 NativE 的综合框架，用于实现野外多模态知识图谱补全，该框架通过关系引导的双重自适应融合模块实现任意模态的自适应融合，并采用协作模态对抗训练框架来增强不平衡的模态信息，实验结果表明，该方法在不同数据集和各种场景下始终保持高效且可推广的最先进性能。

    Mar, 2024

  • 释放不平衡模态信息的力量：多模态知识图谱补全

    多模态知识图谱补全的方法 AdaMF-MAT 结合结构信息、视觉信息和文本信息，通过自适应模态融合和模态对抗训练实现对不平衡模态信息的充分利用，在三个公开数据集上超过 19 个最新方法并实现了新的最佳结果。

    Feb, 2024

  • MyGO：离散模态信息作为细粒度标记用于多模态知识图谱补全

    介绍了一种名为 MyGO 的新框架，用于处理、融合和增强多模态知识图中的细粒度数据，并通过对实体的对比学习来突出表示的特异性，实验证明该方法在标准多模态知识图完成基准测试中的性能优于最新模型中的 20 个以上。

    Apr, 2024

  • MMKGR: 多跳多模态知识图谱推理

    本研究提出了一种名为 MMKGR 的新型模型，其中包含一种统一的门 - 关注网络和一种补充特征感知的强化学习方法，通过有效的多模态补充特征和多次迭代推理，能够更好地实现知识图谱方面的任务，与现有方法相比推理性能更好。

    Sep, 2022

  • 多模态知识图谱下的多模态推理

    提出了一种利用多模态知识图 (MMKGs) 进行多模态推理的方法 (MR-MKG)，通过利用多模态知识图 (MMKGs) 跨模态地学习丰富的语义知识，显著提高了大型语言模型 (LLMs) 在多模态推理中的能力。通过在仅使用 LLM 参数的 2.25% 进行训练，MR-MKG 在多模态问答和多模态类比推理任务上取得了优越的性能，胜过了之前的最新模型。

    Jun, 2024

  • 持续多模态知识图谱构建

    本研究的重点是通过开发终身多模式基准数据集，研究探索多模式知识图构建的持续挑战，提出了一种基于 Lifelong MultiModal Consistent Transformer 框架（LMC）的方法，并通过实验证明，与现有技术相比，在动态场景中具有更好的性能。

    May, 2023

  • 多模态知识图谱

    MMKG 是一个包含数字特征和图像链接的三个知识图谱集合，可以帮助多重关系链接预测和实体匹配社区，并且具有潜力促进知识图谱的新型多模态学习方法的发展。我们通过大量实验验证了 MMKG 在同 As 链接预测任务中的效用，并显示出多元特征类型学习对这一任务的益处。

    Mar, 2019

  • MoSE: 多模态知识图谱补全的模态切分与集成

    本文中提出的 MoSE 框架通过学习分解关系嵌入和集成预测结果，成功地解决了不同模式下关系表示共享的问题，以及不同模式下关系重要性的动态建模问题。

    Oct, 2022

  • 多模态知识图谱构建和应用：综述

    该研究论文介绍了多模态知识图谱，探讨了构建及应用过程中的挑战和进步，并分析了不同解决方案的优缺点及与 MMKG 相关的未解决研究问题。

    Feb, 2022

  • 知识图谱应用于多模态学习：综述

    本综述对 300 篇以上的文章进行了仔细审查，重点关注了两个主要方面的知识图谱 (KG) 相关研究，即 KG 驱动的多模式学习和多模式知识图谱 (MMKG)，通过定义 KG 和 MMKG，探讨了它们的构建进展，以及 KG 驱动的多模式学习任务和 MMKG 任务，为相关研究提供了定义、评估基准和关键见解，最后讨论了当前的挑战和新兴趋势，如大型语言模型和多模式预训练策略的进展。本综述旨在作为 KG 和多模式学习研究领域的全面参考，为已经参与或考虑进行 KG 和多模式学习研究的研究人员提供洞察力，支持未来的工作。

    Feb, 2024