RADD：检索锚定离散扩散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。该方法通过锚定特定于查询的检索分布实现多模态细化，旨在解决全局检索中存在的实体歧义问题。 在机制上，RADD 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。这一设计确保了模型预测不被限制在已检索集合内，增强了生成多样性。 实验显示，在三个多模态知识图谱补全基准上，RADD 相比强基线及其匹配的检索器表现出一致的性能提升，验证了该方法的有效性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。