論文の概要: FedLAB: Traceable Semantic Codebooks for Federated Multimodal Graph Foundation Learning
- arxiv url: http://arxiv.org/abs/2606.32016v1
- Date: Tue, 30 Jun 2026 17:47:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.333569
- Title: FedLAB: Traceable Semantic Codebooks for Federated Multimodal Graph Foundation Learning
- Title（参考訳）: FedLAB:Federated Multimodal Graph Foundation Learningのためのトレース可能なセマンティックコードブック
- Abstract要約: FedLABはトレース可能なセマンティックコードブックフレームワークで、マルチモーダルグラフの知識をモダリティエビデンス、ノードセマンティクス、トポロジーコンテキストのための型付きコードブックに整理する。
実験によると、FedLABは、ネイティブなセマンティックトレースインターフェースを保持しながら、最先端のベースラインを7.53%改善している。
- 参考スコア（独自算出の注目度）: 47.940785803361415
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multimodal graph foundation models aim to learn reusable knowledge from graphs enriched with text, images, attributes, and relational topology, thereby supporting diverse graph-centric and modality-centric tasks. In practice, however, such multimodal graphs are often distributed across decentralized clients, where raw contents and local structures cannot be centrally shared due to privacy constraints. This motivates federated multimodal graph foundation learning, which requires not only transferable representation learning but also intrinsic semantic traceability under strict data isolation. Existing methods usually exchange or store knowledge through parameters, prototypes, embeddings, or compact codebooks, which support optimization and transfer but do not explicitly expose how modality evidence, node semantics, and topology context jointly support predictions. To bridge this gap, we propose FedLAB, a traceable semantic codebook framework that organizes multimodal graph knowledge into typed hierarchical codebooks for modality evidence, node semantics, and topology context. FedLAB further refines these trace units through federated semantic barycenter pre-training while keeping raw multimodal contents and graph structures local. Extensive experiments on 10 benchmarks and 6 downstream tasks show that FedLAB improves over state-of-the-art baselines by up to 7.53\%, while preserving a native semantic trace interface.
- Abstract（参考訳）: マルチモーダルグラフ基盤モデルは、テキスト、画像、属性、および関係トポロジに富んだグラフから再利用可能な知識を学習することを目的としており、それによって様々なグラフ中心およびモダリティ中心のタスクをサポートする。
しかし、実際には、このようなマルチモーダルグラフは、プライバシの制約により、生のコンテンツやローカル構造を集中的に共有できない分散クライアントに分散することが多い。
これは、伝達可能な表現学習だけでなく、厳密なデータ分離の下で固有のセマンティックトレーサビリティを必要とする、フェデレーション付きマルチモーダルグラフ基礎学習を動機付けている。
既存の手法は通常、パラメータ、プロトタイプ、埋め込み、あるいはコンパクトなコードブックを通じて知識を交換または保存する。
このギャップを埋めるために、我々はマルチモーダルグラフの知識を型付き階層コードブックに整理し、モダリティエビデンス、ノードセマンティクス、トポロジの文脈をモデル化する、トレース可能なセマンティックコードブックフレームワークであるFedLABを提案する。
FedLABは、これらのトレースユニットをさらに改良し、生のマルチモーダルコンテンツとグラフ構造を局所的に保持しながら、フェデレーションされたセマンティック・バリセンターの事前訓練を行う。
10のベンチマークと6つのダウンストリームタスクに関する大規模な実験によると、FedLABはネイティブなセマンティックトレースインターフェースを維持しながら、最先端のベースラインを最大7.53倍改善している。
関連論文リスト
- Toward Federated Multimodal Graph Foundation Models: A Topology-Aware Multimodal Alignment Framework [35.35423006939282]
FedGAMMAは2段階のセマンティック構造アライメント問題として、フェデレーション付きマルチモーダルグラフ基礎学習を論じている。
事前学習中、共有プライベートなセマンティックエンハンサーは、モダリティ固有の情報からモダリティ間の共通性を切り離す。
微調整の間、FedGAMMAは軽量なグラフ認識プロンプトを通じて事前訓練されたエンコーダに適応する。
論文 参考訳（メタデータ） (2026-07-17T06:57:41Z) - PRISM: Topology-Aware Cross-Modal Imputation for Modality-Deficient Federated Graph Learning [54.55726437469762]
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。
論文 参考訳（メタデータ） (2026-06-08T10:08:52Z) - MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image [52.47434184153733]
MulTaBenchは40のデータセットのベンチマークで、画像-タブラルタスクとテキスト-タブラルタスクを等しく分割する。
テキストと画像のモダリティにまたがって、ターゲット認識表現のチューニングによる利得が一般化されることを示す。
論文 参考訳（メタデータ） (2026-05-11T14:12:05Z) - OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。
OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
論文 参考訳（メタデータ） (2026-01-27T02:08:18Z) - MetaHGNIE: Meta-Path Induced Hypergraph Contrastive Learning in Heterogeneous Knowledge Graphs [16.36978652807043]
本稿ではメタパスによるハイパーグラフ学習フレームワークであるMetaHGNIEを提案する。
本結果は,異種知識グラフにおける高次相互作用と相互アライメントを明示的にモデル化することの有効性を強調した。
論文 参考訳（メタデータ） (2025-12-13T22:21:33Z) - Quantizing Text-attributed Graphs for Semantic-Structural Integration [6.721504414917793]
テキスト分散グラフ(TAG)は、様々な領域にわたる複雑な関係をモデル化するための強力な表現として登場した。
大規模言語モデル(LLM)の台頭に伴い、グラフ学習に彼らの能力を活用することへの関心が高まっている。
凍結したコードブックを用いて,グラフ構造情報を離散トークンに直接量子化する,新たな自己教師型フレームワークSTAGを提案する。
論文 参考訳（メタデータ） (2025-07-20T09:18:02Z) - Leveraging Foundation Models for Multimodal Graph-Based Action Recognition [2.066890710233268]
動的視覚符号化のためのビデオMAEとコンテキストテキスト埋め込みのためのBERTを統合したグラフベースのフレームワークを提案する。
提案手法は,多様なベンチマークデータセット上で,最先端のベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2025-05-21T07:15:14Z) - 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) - KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot
Node Classification [75.95647590619929]
Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。
ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。
ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
論文 参考訳（メタデータ） (2023-08-15T02:38:08Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。