Multimodal Attributed Graphs
PulseAugur coverage of Multimodal Attributed Graphs — every cluster mentioning Multimodal Attributed Graphs across labs, papers, and developer communities, ranked by signal.
-
LION：新的Clifford神经网络范式增强了多模态图学习
研究人员推出LION，这是一种新颖的Clifford神经网络范式，专为多模态属性图学习而设计。这种新方法通过更好地将图上下文整合到模态对齐中并改进模态融合期间的适应性，解决了现有方法的局限性。LION利用Clifford代数和解耦的图神经网络范式来实现有效的对齐和融合，在九个文本-图像数据集的多个下游任务上，与最先进的基线相比，性能有了显著提升。
-
新的TMTE框架增强了多模态图学习能力
研究人员推出了一种新颖的多模态图学习（MGL）框架TMTE，旨在解决现有多模态属性图（MAGs）的局限性。TMTE迭代地优化图拓扑和多模态表示，认识到它们之间的双向关系。该框架在各种任务和数据集上取得了最先进的性能，并且其代码已公开提供。
-
新的RHEA框架通过可靠性估计增强多模态图聚类
研究人员开发了RHEA，一个旨在改进多模态属性图（MAGs）聚类的新框架。这些图包含文本和图像等多种数据，并通过关系连接，对于社区发现和产品分割等任务至关重要。RHEA通过从邻域共识中估计节点特定的模态可靠性，解决了现有方法在处理不完整或有噪声属性时表现不佳的局限性。这使得该框架能够重建不可靠或缺失的数据，在融合过程中自适应地加权模态，并执行具有可靠性知情分配的拓扑感知聚类。实验表明，RHEA的性能优越，尤其是在属性质量下降时。
-
FedGAMMA框架实现联邦多模态图学习
研究人员推出了一种新颖的联邦多模态图基础学习框架FedGAMMA。该方法通过采用联邦预训练和基于提示的微调的两阶段过程，解决了从碎片化、受隐私限制的多模态属性图学习的挑战。FedGAMMA利用共享-私有语义增强器进行跨模态对齐，并利用拓扑感知的图融合模块来解耦语义和结构视图，在各种下游任务和少样本学习场景中展示了显著的性能提升。
-
新的CoMAG框架增强了多模态属性图分析
研究人员开发了CoMAG，一个新颖的多模态属性图（MAGs）框架，它改进了图拓扑与文本和图像等异构属性的结合方式。现有方法常常在任务无关传播和过度压缩融合方面存在困难，阻碍了多样化需求和证据保存。CoMAG通过学习任务自适应上下文和通过可靠的上下文学习及模态保留跳数标记对齐来保留模态特定信息来解决这个问题。在九个数据集上的实验表明，CoMAG在结构预测、跨模态匹配和图条件生成方面优于现有基线，同时保持了效率。