論文の概要: Silence and Noise: Resolving Suppression and Overvaluation in Multimodal Entity Alignment
- arxiv url: http://arxiv.org/abs/2610.16106v1
- Date: Mon, 12 Oct 2026 03:14:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 07:39:50.592631
- Title: Silence and Noise: Resolving Suppression and Overvaluation in Multimodal Entity Alignment
- Title（参考訳）: サイレンスとノイズ:マルチモーダルエンティティアライメントにおける抑圧と過大評価の解消
- Abstract要約: マルチモーダルエンティティアライメント(MMEA)は、ヘテロジニアス知識グラフ(KG)の統合の基礎である
既存のパラダイムは、不完全なモダリティやクロスグラフ構造的非対称性に批判的に弱いままである。
ALMEAは、低レベル特徴再構成と高レベル遅延空間アライメントの双方向フィードバックループを確立する、生成・校正フレームワークである。
- 参考スコア（独自算出の注目度）: 18.621015338747508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal entity alignment (MMEA) is fundamental to integrating heterogeneous knowledge graphs (KGs), yet existing paradigms remain critically vulnerable to incomplete modalities and cross-graph structural asymmetries. This paper exposes a fundamental oversight in current MMEA research: treating feature missingness and topological discrepancies as isolated preprocessing or denoising challenges, which overlooks their destructive coupling during multimodal fusion. We systematically formulate and evaluate two newly identified failure modes: 1) Detail Missing (DM)-induced overvaluation, where the absence of local modality details causes models to overemphasize uninformative, blurred representations; and 2) Context Imbalance (CI)-induced suppression, where topological discrepancies across KGs allow dense structural contexts to overwhelm weaker but highly discriminative modal signals, triggering high-level semantic drift. To break this cycle of degradation, we introduce ALMEA, a generative and calibration framework that establishes a bidirectional feedback loop between low-level feature reconstruction and high-level latent space alignment. Specifically, Cross-Modality Imputation (CMI) synthesizes missing modality details to mitigate overvaluation, while Latent Semantic Calibration (LSC) aligns cross-graph joint embeddings to suppress topology-driven semantic drift. Under sparse supervision, we develop Controlled Iterative Selection (CIS) to adaptively acquire representative and diverse pseudo-labeled pairs, optimizing latent calibration under constrained budgets. Extensive evaluations on standard benchmarks demonstrate that ALMEA consistently outperforms state-of-the-art baselines. At a 20% supervision rate, ALMEA yields substantial absolute improvements of up to 5.20% in MRR and 6.40% in Hits@1, maintaining robust gains across higher supervision thresholds.
- Abstract（参考訳）: マルチモーダル・エンティティ・アライメント(MMEA)は、ヘテロジニアス・ナレッジ・グラフ(KG)を統合するのに基本的であるが、既存のパラダイムは不完全なモダリティやクロスグラフ構造的非対称性に対して致命的な脆弱さを保っている。
本稿では, マルチモーダル核融合における破壊的結合を見越した, 特徴の欠如とトポロジカルな不一致を, 孤立した前処理や復号化の課題として扱うことによる, 現在のMMEA研究の基本的な展望を明らかにする。
新たに同定された2つの障害モードを体系的に定式化し評価する。
1)詳細欠落(DM)による過大評価では、局所的モダリティの詳細が欠如しているため、モデルは非形式的、曖昧な表現を過度に強調する。
2) 文脈不均衡(CI)により引き起こされる抑制では,KG間のトポロジカルな相違により,より弱いが識別性の高いモーダル信号が強められ,高いレベルのセマンティックドリフトが引き起こされる。
ALMEAは,低レベル特徴再構成と高レベル遅延空間アライメントの双方向フィードバックループを確立する生成・校正フレームワークである。
特に、CMI(Cross-Modality Imputation)は過剰評価を緩和するために欠落したモダリティの詳細を合成し、LSC(Latent Semantic Calibration)は、トポロジー駆動のセマンティックドリフトを抑制するためにクロスグラフの関節埋め込みを調整する。
厳密な監督のもと、我々は適応的に代表的で多様な擬似ラベルペアを取得し、制約された予算の下で潜在校正を最適化する制御反復選択(CIS)を開発した。
標準ベンチマークの大規模な評価は、ALMEA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。
20%の監督率で、ALMEAは最大5.20%のMRRと6.40%のHits@1の絶対的な改善を達成し、より高い監督しきい値を越えた堅牢な利得を維持している。
関連論文リスト
- ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。
多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。
LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
論文 参考訳（メタデータ） (2026-10-13T13:38:02Z) - TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。
しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。
凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。
MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
論文 参考訳（メタデータ） (2026-08-18T23:40:28Z) - 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) - PRA-PoE: Robust Multimodal Alzheimer's Diagnosis with Arbitrary Missing Modalities [9.014577470296013]
現実のアルツハイマー病(AD)の評価では、欠落のモダリティが一般的である。
暗黙の計算やモダリティ合成に依存する既存のアプローチは、しばしばモダリティの可用性と不確実性を明示的にモデル化することができない。
本稿では,PRA(Prototype-anchored Representation Alignment)とUA-PoE(Uncertainty-aware Product of Experts)の融合機構を提案する。
論文 参考訳（メタデータ） (2026-05-13T06:54:21Z) - Better with Less: Tackling Heterogeneous Multi-Modal Image Joint Pretraining via Conditioned and Degraded Masked Autoencoder [34.73963627819185]
高分解能光合成開口レーダ(SAR)プレトレーニングは、単一ソース表現を相互に強化するために、モダリティの相乗効果を求める。
我々は、アライメントの少ないテキスト・ベッター・シナジーの先駆者であるCoDe-MAEを提案する。
CoDe-MAEは、表現の劣化を防ぎ、多様な単一および双方向の下流タスクにまたがる新しい最先端のパフォーマンスを確立する。
論文 参考訳（メタデータ） (2026-04-18T10:23:00Z) - Quality-Aware Robust Multi-View Clustering for Heterogeneous Observation Noise [12.720216418233795]
QARMVC(Quality-Aware Robust Multi-View Clustering)と呼ばれる新しいフレームワークを提案する。
QARMVCは、ビュー再構成に固有のセマンティクスを抽出するために、情報ボトルネック機構を採用している。
5つのベンチマークデータセットの実験では、QARMVCは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-02-26T03:16:44Z) - Robust-R1: Degradation-Aware Reasoning for Robust Visual Understanding [54.05243949024302]
既存の堅牢なMLLMは、視覚エンコーダの一般化にのみ焦点をあてた暗黙のトレーニング/適応に依存している。
本稿では,構造的推論連鎖による視覚的劣化を明示的にモデル化する新しいフレームワークであるRobust-R1を提案する。
提案手法は, (i) 劣化を考慮した推論基盤の微調整, (ii) 劣化パラメータを正確に知覚するための報酬駆動アライメント, (iii) 劣化強度に適応した動的推論深度スケーリングの2つを統合した。
論文 参考訳（メタデータ） (2025-12-19T12:56:17Z) - Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。
本稿では,ロバストネスアライメントスコア(RAS)を提案する。
論文 参考訳（メタデータ） (2025-11-24T12:07:56Z) - UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。
階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。
我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
論文 参考訳（メタデータ） (2025-09-19T17:29:25Z) - Enhancing Emotion Recognition in Incomplete Data: A Novel Cross-Modal Alignment, Reconstruction, and Refinement Framework [11.278202284982209]
本稿では、CM-ARR(Cross-Modal Alignment, Reconstruction and Refinement)フレームワークを提案する。
このフレームワークは、欠落したモダリティを扱うために、クロスモーダルアライメント、再構築、改善フェーズに従事します。
IEMOCAPおよびMSP-IMPROVデータセットの実験により、CM-ARRの欠落と完全モダリティの両方の条件下での優れた性能が確認された。
論文 参考訳（メタデータ） (2024-07-12T06:44:42Z)
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。