論文の概要: Towards Effective Federated Multimodal Graph Learning via Navigating Multifaceted Heterogeneity

• arxiv url: http://arxiv.org/abs/2608.00623v1
• Date: Sat, 01 Aug 2026 12:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.82884
• Title: Towards Effective Federated Multimodal Graph Learning via Navigating Multifaceted Heterogeneity
• Title（参考訳）: 多面的不均一性による効果的なフェデレーションマルチモーダルグラフ学習に向けて
• Abstract要約: 位相対応クロスモーダルルーティング(FedTCR)を用いたフェデレーションマルチモーダルグラフ学習を提案する。 FedTCRは、フェデレーションされたタスク非依存の事前トレーニングと、独立したタスク指向の微調整を含む2段階のパラダイムを採用している。 7つの領域にわたる実験では、FedTCRはグラフ中心のタスクとモダリティ中心のタスクの両方で最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 12.526349151730921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal-attributed graphs (MAGs), where nodes carry heterogeneous semantic content across multiple modalities while edges encode relational dependencies, have been widely adopted across diverse domains. Federated multimodal graph learning (FMGL) extends federated graph learning (FGL) to MAGs, enabling collaborative optimization across decentralized MAGs without exposing raw data. However, naively applying existing FGL methods to FMGL is insufficient, as they fail to navigate the multifaceted heterogeneity inherent in decentralized MAGs, including task heterogeneity across diverse client objectives, modality heterogeneity from discrepant modality quality and semantic domains, and topology heterogeneity arising from divergent topological patterns with low cross-modality correlation. To address these challenges, we propose Federated multimodal graph learning with Topology-aware Cross-modal Routing (FedTCR), the first systematic algorithm designed for FMGL. To handle task heterogeneity, FedTCR employs a two-stage paradigm that comprises federated task-agnostic pre-training followed by isolated task-oriented fine-tuning. To jointly address modality and topology heterogeneity, FedTCR introduces a topology-aware cross-modal routing mechanism. Concretely, each client distills modality-specific knowledge into compact prototypes via topology-aware importance-weighted aggregation informed by graph structure; the server then evaluates cross-client cross-modal relationships among these structure-informed prototypes and routes informative ones as contrastive references, driving a tri-level cross-modal contrastive learning scheme that jointly aligns cross-client modalities while preserving discrimination. Experiments across 7 domains demonstrate that FedTCR outperforms state-of-the-art baselines on both graph-centric and modality-centric tasks.
• Abstract（参考訳）: ノードが複数のモダリティにまたがる異質なセマンティックコンテンツを持ち、エッジが関係依存を符号化するマルチモーダル分散グラフ(MAG)は、様々な領域で広く採用されている。 FMGL(Federated Multimodal Graph Learning)は、FGL(Federated Graph Learning)をMAGに拡張し、生データを公開せずに分散化されたMAG間の協調最適化を可能にする。 しかし,従来のFGL法をFMGLに適用することは,多種多様なクライアント目的のタスクの不均一性,離散的モダリティ品質とセマンティックドメインからのモダリティの不均一性,多元的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジ的トポロジトポロポロポロジ的法に,,FGL これらの課題に対処するために、FMGL用に設計された最初の体系的アルゴリズムであるTopology-aware Cross-modal Routing (FedTCR) を用いたフェデレーション型マルチモーダルグラフ学習を提案する。 タスクの不均一性に対処するため、FedTCRは、フェデレーションされたタスク非依存の事前トレーニングと、独立したタスク指向の微調整を含む2段階のパラダイムを採用している。 モダリティとトポロジの不均一性に共同で対処するため、FedTCRはトポロジ対応のクロスモーダルルーティング機構を導入した。 具体的には、各クライアントは、トポロジを意識した重要度重み付けによるグラフ構造情報を用いて、コンパクトなプロトタイプにモダリティ固有の知識を蒸留し、次に、これらの構造インフォームドプロトタイプ間のクロスクオリティなクロスモーダル関係を評価し、情報をコントラスト的な参照としてルートし、差別を保ちながら、クロスクオリティを協調的に整列する三段階のクロスモーダルコントラスト学習スキームを駆動する。 7つの領域にわたる実験では、FedTCRはグラフ中心のタスクとモダリティ中心のタスクの両方で最先端のベースラインを上回っている。

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)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Towards Robust Federated Multimodal Graph Learning under Modality Heterogeneity [49.44748281840733]
  実世界のグラフは、複数のパーティにまたがるデータ共有の制限のために、しばしば分離される。 我々は、トポロジ対応のクロスモーダル生成を利用して、欠落した特徴を復元する scFedMPO を提案する。 6つのデータセットにわたる3つのタスクの実験は、FedMPOがベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-12T17:30:15Z)
• 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)
• Multimodal Structure Learning: Disentangling Shared and Specific Topology via Cross-Modal Graphical Lasso [12.238577096609761]
  解釈可能なマルチモーダル表現を学習するためのCross-Modal Graphical Lasso(CM-GLasso)を提案する。 新たなテキスト視覚化戦略と統合された視覚言語エンコーダを結合することにより、マルチモーダルな特徴を共有潜在空間に厳密に整列する。 CM-GLassoは、生成的分類と密接なセマンティックセグメンテーションタスクにおいて、新しい最先端技術を確立していることを示す。
  論文  参考訳（メタデータ） (2026-04-05T04:07:59Z)
• TMTE: Effective Multimodal Graph Learning with Task-aware Modality and Topology Co-evolution [12.027339810975079]
  Task-Aware Modality and Topology co-Evolution (TMTE)は、グラフトポロジとマルチモーダル表現を協調的に目標タスクに向けて最適化する新しいMGLフレームワークである。 TMTEは、6つのグラフ中心およびモダリティ中心のタスクにまたがる最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2026-03-29T14:54:59Z)
• CrossHGL: A Text-Free Foundation Model for Cross-Domain Heterogeneous Graph Learning [18.84875776859183]
  CrossHGLは、異種グラフを均質化し、相互作用セマンティクスをエッジ特徴にエンコードする意味保存変換戦略である。 Tri-Prompt機構を備えたプロンプト対応のマルチドメイン事前トレーニングフレームワークは、機能、エッジ、構造の観点から伝達可能な知識をキャプチャする。 ノードレベルのタスクとグラフレベルのタスクの実験は、CrossHGLが一貫して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。
  論文  参考訳（メタデータ） (2026-03-29T13:17:15Z)
• Toward Effective Multimodal Graph Foundation Model: A Divide-and-Conquer Based Approach [42.970648490410504]
  MGFM(Multimodal Graph Foundation Models)は、Multimodal-Attributed Graphs(MAG)におけるリッチなマルチモーダル情報の活用を可能にする。 本稿では,異なる粒度にまたがるモダリティの相互作用とアライメントを分離するために,Divide-and-Conquer戦略を用いた新しいフレームワークPLANETを提案する。 PLANETは,様々なグラフ中心およびマルチモーダル生成タスクにおいて,最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-04T01:05:12Z)
• 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)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)

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。