論文の概要: PRISM: Topology-Aware Cross-Modal Imputation for Modality-Deficient Federated Graph Learning

• arxiv url: http://arxiv.org/abs/2606.09301v1
• Date: Mon, 08 Jun 2026 10:08:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.917651
• Title: PRISM: Topology-Aware Cross-Modal Imputation for Modality-Deficient Federated Graph Learning
• Title（参考訳）: PRISM: モダリティに優れたフェデレーショングラフ学習のためのトポロジを意識したクロスモーダルインプット
• Authors: Zekai Chen, Miao Zhang, Jiayang Xing, Xunkai Li, Xun Wu, Rong-Hua Li, Guoren Wang,
• Abstract要約: textbfProactive textbfRetrievalおよび textbfImputation via textbfStructural textbfMeta-prompting を提案する。 実験の結果、PRISMはモダリティに欠けるクライアントを一貫して改善し、textbf4.48% で最先端のベースラインを上回った。
• 参考スコア（独自算出の注目度）: 54.55726437469762
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multimodal federated graph learning (MM-FGL) aims to collaboratively learn from decentralized graphs with text and images. However, real-world clients may not share a common modality basis: a visual-search client may contain image--interaction graphs but no seller descriptions, while a catalog client may provide text but no product images. We refer to this practical setting as client-level modality deficiency. Unlike random instance-wise missingness, a deficient client lacks the local semantic basis needed to reconstruct the absent modality. More importantly, in graph learning, incomplete representations initialize message passing, so imputation errors can be filtered, mixed, and amplified by the receiving topology. To address this gap, we propose \textbf{PRISM} (\textbf{P}roactive \textbf{R}etrieval and \textbf{I}mputation via \textbf{S}tructural \textbf{M}eta-prompting), a topology-aware federated cross-modal imputation framework. Rather than reconstructing the missing modality solely from local observations, PRISM recovers missing-modality semantics from the federation and introduces them into local graph propagation under topology-aware control. Experiments on six multimodal graph datasets across graph-centric and modality-centric tasks show that PRISM consistently improves modality-deficient clients, outperforming state-of-the-art baselines by \textbf{4.48}\% on average.
• Abstract（参考訳）: マルチモーダルフェデレーショングラフ学習(MM-FGL)は,テキストや画像を用いた分散グラフから協調的に学習することを目的としている。 しかし、現実世界のクライアントは共通のモダリティの基盤を共有しないかもしれない。ビジュアル検索クライアントはイメージ-インタラクショングラフを含むが販売者記述は含まないし、カタログクライアントはテキストを提供するが製品イメージは提供しない。 我々は、この実践的な設定をクライアントレベルのモダリティ不足と呼ぶ。 ランダムなインスタンス単位の欠如とは異なり、欠陥のあるクライアントは欠落したモダリティを再構築するために必要な局所的な意味基盤を欠いている。 さらに重要なことは、グラフ学習において、不完全表現はメッセージパッシングを初期化するので、インプットエラーは、受信トポロジーによってフィルタリング、混合、増幅される。 このギャップに対処するために、トポロジ対応のクロスモーダル計算フレームワークである \textbf{P}roactive \textbf{R}etrieval and \textbf{I}mputation via \textbf{S}tructural \textbf{M}eta-prompting を提案する。 PRISMは、局所的な観測からのみ欠落したモダリティを再構築するのではなく、フェデレーションから欠落したモダリティ意味論を復元し、トポロジ対応制御の下で局所グラフ伝播に導入する。 グラフ中心およびモダリティ中心のタスクにわたる6つのマルチモーダルグラフデータセットの実験は、PRISMが一貫してモダリティ不足のクライアントを改善し、平均でtextbf{4.48}\%で最先端のベースラインを上回っていることを示している。

関連論文リスト

• STAGE: Tackling Semantic Drift in Multimodal Federated Graph Learning [48.96526409527749]
  フェデレーショングラフ学習(FGL)は、複数のクライアントにわたるグラフデータの協調トレーニングを可能にする。 鍵となる課題は、異なるモダリティドメインのクライアントが共通のセマンティックスペースを共有していないことだ。 MM-FGLのためのプロトコルファーストフレームワークである textbfSTAGE を提案する。
  論文  参考訳（メタデータ） (2026-05-12T10:35:43Z)
• Robust Multimodal Recommendation via Graph Retrieval-Enhanced Modality Completion [71.20734649881258]
  実世界のマルチモーダルデータセットは、センサーの故障、アノテーションの不足、プライバシーの制約によって、しばしばモダリティの不完全性に悩まされる。 効果的な解決策の1つはモダリティ補完であり、下流タスクのためのモダリティ完全グラフを提供するために欠落した特徴を再構成する。 本稿では,これらの制限を克服するグラフ検索拡張モード補完フレームワークであるGRE-MCを提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:50:52Z)
• Dynamic Deep Graph Learning for Incomplete Multi-View Clustering with Masked Graph Reconstruction Loss [26.31060859315329]
  textbfIncomplete textbfMulti-textbfView textbfClustering with textbfMasked Graph Reconstruction Loss (DGIMVCM)を提案する。 次に、グラフ畳み込み埋め込み層を設計し、主要な特徴を抽出し、動的なビュー固有のグラフ構造を洗練し、グローバルグラフを利用して、不足するビューの計算を行う。
  論文  参考訳（メタデータ） (2025-11-14T11:26:38Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Federated Hypergraph Learning with Local Differential Privacy: Toward Privacy-Aware Hypergraph Structure Completion [9.163655213173067]
  FedHGLは、非結合性およびプライバシー制約のあるハイパーグラフパーティションに関する連邦ハイパーグラフ学習のための第一種フレームワークである。 We developed FedHGL, a first-of-in-kind framework for Federated hypergraph learning on disjoint and privacy-constrained hypergraph partitions。
  論文  参考訳（メタデータ） (2024-08-09T16:31:41Z)
• Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
  冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。 オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。 この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
  論文  参考訳（メタデータ） (2023-09-09T06:18:50Z)
• Personalized Subgraph Federated Learning [56.52903162729729]
  本稿では,新たなサブグラフFL問題,パーソナライズされたサブグラフFLを導入する。 本稿では,Federated Personalized sUBgraph Learning (FED-PUB)を提案する。 オーバーラップしないサブグラフとオーバーラップするサブグラフの両方を考慮して,FED-PUBのサブグラフFL性能を6つのデータセットで検証した。
  論文  参考訳（メタデータ） (2022-06-21T09:02:53Z)
• Sub-graph Contrast for Scalable Self-Supervised Graph Representation Learning [21.0019144298605]
  既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。 textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。 既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
  論文  参考訳（メタデータ） (2020-09-22T01:58:19Z)

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。