研究人员开发了用于多模态知识图谱补全的新方法，该任务涉及使用结构、文本和视觉信息推断缺失的实体。一种方法RADD（检索增强离散扩散）通过使用专用的检索器进行广泛召回，并使用去噪器进行细粒度消歧来解耦检索和重排过程。另一种方法MGDT（多模态大语言模型引导扩散Transformer）利用多模态大语言模型作为语义锚点，在扩散Transformer执行图条件去噪之前对齐不同模态。与现有方法相比，RADD和MGDT在基准数据集上都表现出优越的性能。 AI
影响 这些新颖的方法可以显著提高知识图谱补全任务的准确性和效率，从而实现更复杂的人工智能推理和数据集成。
排序理由 arXiv上发表了两篇关于多模态知识图谱补全新方法的详细研究论文。
- arXiv
- Diffusion Transformer
- Knowledge Graph Diffusion Transformer
- MGDT
- mixture of experts
- Multimodal Knowledge Graph Completion
- multimodal large language model
- Relation-Adaptive Semantic Routing Mixture-of-Experts
- RADD
- Retrieval-Augmented Discrete Diffusion
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
