محققان در پژوهش جدیدی، چارچوب نوآورانه MGDT را معرفی کردهاند که مشکل رایج در تکمیل گرافهای دانش چندوجهی (MKGC) را حل میکند. روشهای فعلی معمولاً نویز زیادی دارند چون مستقیماً روی ویژگیهای خام کار میکنند.
MGDT با استفاده از یک پارادایم جدید (Align-then-Diffuse) و ترکیب معماری Mixture-of-Experts (MoE) با مدلهای زبانی چندوجهی (MLLM)، ابتدا دادههای نامرتبط را حذف کرده و سپس اطلاعات را در یک فضای نهفته یکپارچه همگامسازی میکند. نتیجه این کار؟ عملکردی خیرهکننده و دقیقتر در پیشبینی موجودیتهای گمشده در گرافهای دانش.
این پیشرفت میتواند مسیر را برای هوش مصنوعیهای دانشمحور (Knowledge-Centric) هموارتر از همیشه کند. 🧠💡
منبع: arXiv AI