GraphPL：利用 GNN 实现 Patchwork 学习中高效稳健的模态插值
机器学习
2026-04-29 v1 人工智能
摘要
当前分布式多模态学习研究通常假设客户端可获取所有模态的完整信息，这在实际中可能不成立。本文探索 patchwork 学习，即不同客户端可用的模态各异，目标是在无监督方式为每个客户端插值缺失的模态。现有方法未能充分利用模态信息，因其倾向于仅依赖部分观察模态。为此，我们提出 GraphPL，将图神经网络与 patchwork 学习结合，灵活集成所有观察模态并对噪声输入保持稳健性。实验结果表明 GraphPL 在基准数据集上实现了 SOTA 性能。我们在真实分布式电子健康记录数据集上的结果显示，GraphPL 学习到强大的下游特征，使其能通过优异的模态插值实现疾病预测等任务。
关键词
引用
@article{arxiv.2604.25352,
title = {GraphPL: Leveraging GNN for Efficient and Robust Modalities Imputation in Patchwork Learning},
author = {Xingjian Hu and Zuoyu Yan and Jianhua Zhu and Liangcai Gao and Fei Wang and Tengfei Ma},
journal= {arXiv preprint arXiv:2604.25352},
year = {2026}
}
备注
Accepted at ICASSP 2026. This is a preprint of the work