研究人员推出了一种新颖的联邦多模态知识图谱补全（FedMKGC）框架MMFeD3-HidE。该方法解决了与去中心化多模态知识和不同客户端能力相关的挑战。该框架包括用于从客户端不完整的实体嵌入中重建完整多模态分布的超模态注入扩散嵌入（HidE）模型，以及用于在客户端和中央服务器之间进行知识迁移的多模态联邦双蒸馏（MMFeD3）方法。在一个新构建的FedMKGC基准上的实验证明了所提出的MMFeD3-HidE的有效性、语义一致性和收敛鲁棒性。 AI
影响 这项研究可以改进在去中心化多模态数据上进行协作式AI模型训练，同时保护隐私。
排序理由 该集群包含一篇详细介绍特定机器学习任务的新框架和模型的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
