RADD：基于检索锚定离散扩散的多模态知识图谱补全方法

RADD 提出一种将检索不确定性转化为概率参考的统一框架，通过锚定特定于查询的检索分布实现多模态细化，解决全局检索中的实体歧义问题。 该方法通过双向学习统一头尾细化，并在推理阶段根据候选覆盖率自适应调整排名修正，确保预测不被限制在已检索集合内。 实验在三个多模态知识图谱补全基准上表明，RADD 相比强基线及其匹配的检索器表现出一致的性能提升。