論文の概要: GraphPL: Leveraging GNN for Efficient and Robust Modalities Imputation in Patchwork Learning

• arxiv url: http://arxiv.org/abs/2604.25352v1
• Date: Tue, 28 Apr 2026 08:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.769927
• Title: GraphPL: Leveraging GNN for Efficient and Robust Modalities Imputation in Patchwork Learning
• Title（参考訳）: GraphPL: パッチワーク学習における効率よくロバストなモーダリティ計算のためのGNNの活用
• Authors: Xingjian Hu, Zuoyu Yan, Jianhua Zhu, Liangcai Gao, Fei Wang, Tengfei Ma,
• Abstract要約: 異なるクライアントに利用可能なモダリティが異なるパッチワーク学習について検討し、その目的は、教師なしの方法で各クライアントに欠けているモダリティを注入することである。 既存の方法は、観測されたモダリティのサブセットにのみ依存する傾向があるため、モダリティ情報を十分に活用しないことが示される。 グラフニューラルネットワークとパッチワーク学習を組み合わせたグラフPLを提案する。
• 参考スコア（独自算出の注目度）: 16.49025791613969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current research on distributed multi-modal learning typically assumes that clients can access complete information across all modalities, which may not hold in practice. In this paper, we explore patchwork learning, in which the modalities available to different clients vary, and the objective is to impute the missing modalities for each client in an unsupervised manner. Existing methods are shown not to fully utilize the modality information as they tend to rely on only a subset of the observed modalities. To address this issue, we propose GraphPL, which combines graph neural networks with patchwork learning to flexibly integrate all observed modalities and remains robust with noisy inputs. Experimental results show that GraphPL achieves SOTA performance on benchmark datasets. Our results on real-world distributed electronic health record dataset show GraphPL learns strong downstream features and enables tasks like disease prediction via superior modality imputation.
• Abstract（参考訳）: 分散マルチモーダル学習に関する現在の研究は、クライアントがすべてのモダリティにまたがる完全な情報にアクセスできることを前提としている。 本稿では,異なるクライアントに対して利用可能なモダリティが異なるパッチワーク学習について検討する。 既存の方法は、観測されたモダリティのサブセットにのみ依存する傾向があるため、モダリティ情報を十分に活用しないことが示される。 この問題に対処するために,グラフニューラルネットワークとパッチワーク学習を組み合わせたグラフPLを提案する。 実験の結果,GraphPLはベンチマークデータセット上でSOTA性能を達成することがわかった。 実世界の分散型電子健康記録データセットの結果から,GraphPLは下流の強い特徴を学習し,優れたモダリティ計算による疾患予測などのタスクを可能にした。

関連論文リスト

• CLARGA: Multimodal Graph Representation Learning over Arbitrary Sets of Modalities [0.0]
  本稿では,表現学習のための汎用多目的融合アーキテクチャであるCLARGAを紹介する。 教師付きデータセットが与えられた場合、CLARGAは事実上あらゆる機械学習タスクに適用できる。 CLARGAが7つのデータセットにまたがる多様なマルチモーダル表現学習タスクにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2025-12-10T14:06:48Z)
• Dual-level Mixup for Graph Few-shot Learning with Fewer Tasks [23.07584018576066]
  We propose a SiMple yet effectIve approach for graph few-shot Learning with fEwer task, named SMILE。 メタ学習において利用可能なノードとタスクを同時に強化するために、マルチレベルのミックスアップ戦略を導入し、タスク内とタスク間ミックスアップの両方を包含する。 経験的に言えば、SMILEは、ドメイン内設定とクロスドメイン設定で評価されたすべてのデータセットに対して、他の競合モデルよりも大きなマージンで、一貫して優れています。
  論文  参考訳（メタデータ） (2025-02-19T23:59:05Z)
• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• Flex: End-to-End Text-Instructed Visual Navigation from Foundation Model Features [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly lexically) で合成され, 凍結パッチワイド特徴抽出器として, 事前学習された視覚言語モデル (VLM) を用いたフレームワークである。 本研究では,本手法の有効性を,行動クローンによる訓練を実世界のシーンに応用した,四重項フライ・トゥ・ターゲットタスクに適用した。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)

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。