面向多模态知识图谱的Few-Shot关系学习的FusionAdapter
人工智能
2025-10-02 v1
摘要
多模态知识图谱（MMKGs）包含文本和图像等各种模态，以增强实体和关系表示。值得注意的是，相同实体的不同模态往往提供互补且多样化的信息。然而，现有的MMKG方法主要将模态对齐到共享空间，这往往会忽略特定模态的独特贡献，限制了其在资源有限的情况下的性能。为此，我们提出FusionAdapter用于MMKG的Few-Shot关系学习（FSRL）。FusionAdapter引入（1）一个适配器模块，使每个模态能够高效地适应未知的关系；（2）一种融合策略，在保持多模态特定特征多样性的同时整合多模态实体表示。通过有效地适应和融合来自不同模态的信息，FusionAdapter提高了在最小监督下对新关系的泛化能力。大量实验表明，FusionAdapter在两个基准MMKG数据集上取得优于现有SOTA方法的优异性能。
引用
@article{arxiv.2510.00894,
title = {FusionAdapter for Few-Shot Relation Learning in Multimodal Knowledge Graphs},
author = {Ran Liu and Yuan Fang and Xiaoli Li},
journal= {arXiv preprint arXiv:2510.00894},
year = {2025}
}
备注
Archived paper