关键词multi-modal entity alignment
搜索结果 - 7
- 利用内模态和跨模态交互进行多模态实体对齐
提出了一种用于多模态实体对齐的多粒度交互框架(MIMEA),其能够在同一模态或不同模态之间有效实现多粒度交互,并通过四个模块来完成:多模态知识嵌入模块、概率引导的模态融合模块、最优传输模态对齐模块和模态自适应对比学习模块。与其他方法相比,M - 噪声的威力:朝着统一的多模态知识图表示框架
通过提出一种基于 Transformer 架构的 SNAG 方法,结合多模态实体特征在知识图谱中进行鲁棒的集成,本研究在多模态预训练的基础上,展示了在多模态知识图谱完成和多模态实体对齐两个任务中的领先性能,同时还具有增强其他现有方法的稳定性 - AAAI伪标签校准半监督多模态实体对齐
我们提出了一种半监督的伪标签校准多模态实体对齐方法 (PCMEA),通过利用多模态信息的视觉、结构、关系和属性特征,最大化互信息来过滤模态特定的噪声和增加模态不变的共性,结合动量对比学习和伪标签校准,提高伪标签的质量和对齐实体的准确性。我们 - 多模态知识图谱转换框架用于多模态实体对齐
多模态实体对齐 (MMEA) 是一个关键任务,旨在识别多模态知识图谱 (MMKGs) 中的等效实体对。我们提出了一种名为 MoAlign 的新颖 MMEA transformer,通过引入邻居特征、多模态属性和实体类型来增强对齐任务。利用 - 多模态实体对齐中的不确定缺失和模糊视觉模态的重新思考
在多模态实体对齐研究中,我们发现当前模型普遍面临视觉模态不完整性、遗漏模态和模态歧义带来的挑战。为了解决这些问题,我们提出了 UMAEA 方法,通过有效减少参数和时间消耗,显著超越现有基准,并成功缓解了其他模型存在的限制。
- 多模态实体对齐的属性一致知识图表示学习
本文提出一种基于一致性约束的知识图谱表征学习框架 ACK-MMEA,该框架通过融合一致的对齐知识来弥补因特定模式上对齐实体具有不同数量的属性而产生的上下文差距问题。我们的后续实验表明,相较于竞争方法,本文所提出的方法在两个基准数据集上取得了 - COLING多模态对比表示学习用于实体对齐
本文提出了一种基于对比学习的多模态实体对齐模型 MCLEA,该模型首先从不同的模态学习单独的表征,然后进行对比学习来联合建模模态内和模态间的交互关系,并在公共数据集上在有监督和无监督设置下表现优于现有技术。