Új kétszakaszos módszerrel javítja a hiányos adatok kezelését a federált multimodális gráf-tanulás
A rendszer egy kliensoldali adatpótló és egy szerveroldali aggregációs fázisra épül, ami hatékonyabbá teszi a tudásmegosztást a különböző adatkészletek között.
Új kétszakaszos eljárást dolgoztak ki kutatók, amely robusztusabbá teheti a federált multimodális gráf-tanulást (MGL) a hiányzó modalitások és az adatok elszigeteltsége esetén — írja egy friss tanulmány az ArXiv preprint szerveren.
A multimodális gráf-tanulás egyre nagyobb figyelmet kap, mivel képes integrálni a különböző modalitásokból származó információkat és a strukturált kontextust, számos hálózati alkalmazást támogatva.
A valós gráfok azonban gyakran elszigeteltek az adatmegosztási korlátok miatt, és modalitásaik gyakran hiányosak. A meglévő módszerek elégtelennek bizonyultak a probléma kezelésében, mivel a centralizált MGL-megoldások figyelmen kívül hagyják a tudásmegosztást és a generalizációt a federált forgatókönyvekben.
A gráfok szívében
A kutatók egy kétszakaszos folyamatot azonosítottak: az első fázisban a kliensoldali kiegészítés rekonstruálja a hiányzó modalitásokat, a másodikban pedig a szerveroldali aggregáció integrálja a kliens által frissített paramétereket.
Adatok hídja
Az új módszer hatékonyabban kezelheti a hiányzó adatokat, mint a korábbi megközelítések, és a szerveroldali aggregációs fázis révén javítja a tudásmegosztást a különböző adatkészletek között, 2024-ben várható a további fejlesztése az ArXiv preprint szerveren.