PulseAugur
中
实时 07:20:57
English(EN) Dual-Path LLM Reasoning for Multimodal Few-Shot Knowledge Graph Completion

新的DuPLeR框架提升了多模态少样本知识图谱补全能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为DuPLeR的新型框架，旨在增强数据有限场景下的知识图谱补全（KGC）能力。这种双路径大语言模型推理方法旨在通过整合多模态信息和大语言模型推导出的先验知识来推断缺失的事实，同时减轻噪声和幻觉。DuPLeR构建了一个校准的关系图谱，并采用双层推理来优化实体表示，在数据稀疏环境下于多模态知识图谱基准测试中展现出强大的性能。 AI

影响 该框架有望提高知识图谱补全的准确性和效率，尤其是在数据稀疏的环境中，从而惠及下游AI应用。

排序理由 该集群包含一篇详细介绍知识图谱补全新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的DuPLeR框架提升了多模态少样本知识图谱补全能力

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Jinlan Liu, Zhiying Tu, Yongchao Xing, Yicheng Liu, Bolin Zhang, Dianbo Sui, Dianhui Chu, Hongliang Sun ·

    用于多模态少样本知识图谱补全的双路径大语言模型推理

    arXiv:2607.26909v1 Announce Type: new Abstract: Knowledge graph completion (KGC) aims to infer missing facts in knowledge graphs (KGs), thereby improving their completeness and supporting downstream intelligent applications. However, emerging entities and relations in real-world …

相关实体

相关话题