論文の概要: MM-OpenFGL: A Comprehensive Benchmark for Multimodal Federated Graph Learning

• arxiv url: http://arxiv.org/abs/2601.22416v1
• Date: Thu, 29 Jan 2026 23:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.128056
• Title: MM-OpenFGL: A Comprehensive Benchmark for Multimodal Federated Graph Learning
• Title（参考訳）: MM-OpenFGL:マルチモーダルフェデレーショングラフ学習のための総合ベンチマーク
• Authors: Xunkai Li, Yuming Ai, Yinlin Zhu, Haodong Lu, Yi Zhang, Guohao Fu, Bowen Fan, Qiangqiang Dai, Rong-Hua Li, Guoren Wang,
• Abstract要約: MMAG(Multimodal-attributed graph)は、不均一なモジュラリティをグラフ構造に統合することにより、複雑な関係データをモデリングするための統一的なフレームワークを提供する。 MM-OpenFGLはMMFGLパラダイムを体系的に形式化し、厳密な評価を可能にする最初の総合ベンチマークである。 MM-OpenFGLは、7つのアプリケーションドメインにまたがる19のマルチモーダルデータセット、モダリティとトポロジの変動を計測する8つのシミュレーション戦略、6つのダウンストリームタスク、そしてモジュールAPIを通じて実装された57の最先端メソッドで構成されている。
• 参考スコア（独自算出の注目度）: 33.909733872102656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal-attributed graphs (MMAGs) provide a unified framework for modeling complex relational data by integrating heterogeneous modalities with graph structures. While centralized learning has shown promising performance, MMAGs in real-world applications are often distributed across isolated platforms and cannot be shared due to privacy concerns or commercial constraints. Federated graph learning (FGL) offers a natural solution for collaborative training under such settings; however, existing studies largely focus on single-modality graphs and do not adequately address the challenges unique to multimodal federated graph learning (MMFGL). To bridge this gap, we present MM-OpenFGL, the first comprehensive benchmark that systematically formalizes the MMFGL paradigm and enables rigorous evaluation. MM-OpenFGL comprises 19 multimodal datasets spanning 7 application domains, 8 simulation strategies capturing modality and topology variations, 6 downstream tasks, and 57 state-of-the-art methods implemented through a modular API. Extensive experiments investigate MMFGL from the perspectives of necessity, effectiveness, robustness, and efficiency, offering valuable insights for future research on MMFGL.
• Abstract（参考訳）: MMAG(Multimodal-attributed graph)は、不均一なモジュラリティとグラフ構造を統合することで、複雑な関係データをモデリングするための統一的なフレームワークを提供する。 集中型学習は有望なパフォーマンスを示しているが、現実のアプリケーションのMMAGは、しばしば独立したプラットフォームに分散しており、プライバシの懸念や商業的制約のために共有できない。 フェデレーショングラフ学習(FGL)は、このような設定下での協調学習に自然なソリューションを提供するが、既存の研究は、主に単一モダリティグラフに焦点を当てており、マルチモーダル・フェデレーショングラフ学習(MMFGL)特有の課題に適切に対処していない。 このギャップを埋めるため,MMFGLパラダイムを体系的に定式化し,厳密な評価を可能にする最初の総合ベンチマークであるMM-OpenFGLを提案する。 MM-OpenFGLは、7つのアプリケーションドメインにまたがる19のマルチモーダルデータセット、モダリティとトポロジの変動を計測する8つのシミュレーション戦略、6つのダウンストリームタスク、そしてモジュールAPIを通じて実装された57の最先端メソッドで構成されている。 MMFGLを必要,有効性,堅牢性,効率の観点から検討し,今後のMMFGL研究に有用な知見を提供する。

関連論文リスト

• Graph4MM: Weaving Multimodal Learning with Structural Information [52.16646463590474]
  グラフは、モーダル内およびモーダル間関係をモデル化するための強力な構造情報を提供する。 それまでの作業では、マルチホップの隣人を区別できず、グラフをスタンドアローンのモダリティとして扱う。 グラフベースのマルチモーダル学習フレームワークであるGraph4MMを提案する。
  論文  参考訳（メタデータ） (2025-10-19T20:13:03Z)
• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• Graph Foundation Models: Bridging Language Model Paradigms and Graph Optimization [4.502753947356616]
  グラフ構造上の全ての距離に基づく最適化問題を解くことができる最初のフレームワークであるグラフ基礎モデル(GFM)を紹介する。 GFMはグラフの複雑なトポロジカルおよびニューラルルールを内部化し、構造自体の接続を監督信号として扱うことができる。 本研究は, グラフ最適化にプリトレイン・トランスファー・フレームワークを適用する新たなパラダイムを確立し, 基礎モデル革新をオペレーション・リサーチに適用するための扉を開く。
  論文  参考訳（メタデータ） (2025-09-29T04:05:48Z)
• UniGraph2: Learning a Unified Embedding Space to Bind Multimodal Graphs [34.48393396390799]
  マルチモーダルグラフ上での汎用的な表現学習を可能にする新しいクロスドメイングラフ基盤モデルを提案する。 UniGraph2は、グラフニューラルネットワーク(GNN)と共にモダリティ固有のエンコーダを使用して、統一された低次元埋め込み空間を学習する。 我々は,UniGraph2が表現学習,伝達学習,マルチモーダル生成タスクなどのタスクにおいて,最先端モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-02T14:04:53Z)
• Knowledge-Driven Federated Graph Learning on Model Heterogeneity [47.98634086448171]
  FGL(Federated Graph Learning)は、協調グラフ表現学習において、有望なパラダイムとして登場した。 本稿では,FedGKC(Federated Graph Knowledge Collaboration)フレームワークを提案する。 FedGKCは、MHtFGLシナリオのベースラインよりも平均3.74%の精度向上を実現し、均一な設定では優れたパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2025-01-22T04:12:32Z)
• Cross-Modal Few-Shot Learning: a Generative Transfer Learning Framework [58.362064122489166]
  本稿では,ラベル付きデータに頼らず,複数のモードにまたがるインスタンスの認識を目的としたクロスモーダルなFew-Shot Learningタスクを提案する。 本研究では,人間が概念を抽象化し,一般化する方法をシミュレートし,ジェネレーティブトランスファー学習フレームワークを提案する。 GTLは、RGB-Sketch、RGB-赤外線、RGB-Depthの7つのマルチモーダルデータセットにまたがる最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-10-14T16:09:38Z)
• OpenFGL: A Comprehensive Benchmark for Federated Graph Learning [36.04858706246336]
  Federated Graph Learning(FGL)は、直接データ共有なしで複数のローカルシステムにまたがるグラフニューラルネットワークのための、有望な分散トレーニングパラダイムである。 FGLの普及にもかかわらず、様々な研究の背景と設定にまたがる現実世界のアプリケーションからの多様なモチベーションは、公正な評価に重大な課題をもたらす。 本稿では,主要なFGLシナリオであるGraph-FLとSubgraph-FLのための統一ベンチマークOpenFGLを提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:40:01Z)
• Multimodal Graph Learning for Generative Tasks [89.44810441463652]
  マルチモーダル学習は、複数のデータモダリティを組み合わせることで、モデルが利用できるデータの種類と複雑さを広げます。 本稿では,マルチモーダルグラフ学習(MMGL)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T13:25:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。