专家协作：基于大间隔融合异构信息

融合异构信息在现代数据分析中仍是一项持久的挑战。尽管已取得显著进展，但现有方法往往未能考虑不同语义空间中对象模式的固有异构性。为解决这一局限性，我们提出了专家协作（CoE）框架，将多类型信息编码为统一的异构多重网络。通过克服模态与连接差异，CoE 为捕捉现实世界复杂数据的精细结构提供了强大且灵活的模型。在我们的框架中，专用编码器充当领域特定专家，各自专注于学习特定语义空间中不同的关系模式。为增强鲁棒性并提取互补知识，这些专家通过由定制优化策略支持的新型大间隔机制进行协作。严格的理论分析保证了该框架的可行性与稳定性，而在多种基准上的广泛实验证明了其卓越的性能与广泛的适用性。我们的代码可在 https://github.com/strangeAlan/CoE 获取。