关键词multi-modal knowledge graph completion
搜索结果 - 6
- 混合模态知识专家用于鲁棒的多模态知识图补全
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 - 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。
- SIGIRNativE: 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 - 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 - COLING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。
- MACO:一种用于缺失多模态知识图补全的模态对抗性和对比度框架
提出了一种对抗式和对比式的多模态知识图完善框架(MACO),用于解决多模态知识图完善中的缺失模态问题,并通过交叉模态对比损失来改进生成器表现。实验证明 MACO 可在公共基准上取得最先进的结果,并能为各种多模态知识图完善模型提供一个多功能的