Progressively Modality Freezing for Multi-Modal Entity Alignment

多模态实体对齐旨在发现异构知识图谱中的相同实体。虽然最近的研究已经深入探讨了融合范式来全面表示实体，但对于与对齐无关的特征和模态不一致性的消除却被忽视了，这是由于多模态特征固有的差异所引起的。为了解决这些挑战，我们提出了一种新颖的渐进式模态冻结策略，称为PMF，它专注于对齐相关特征并增强多模态特征融合。值得注意的是，我们的方法引入了一种开创性的跨模态关联损失来促进模态一致性。对九个数据集的实证评估证实了PMF的优越性，展示了最先进的性能和冻结模态的原理。我们的代码可在https://github.com/ninibymilk/PMF-MMEA上找到。

本论文旨在解决异构知识图谱中实体对齐的问题，即如何发现不同知识图谱中相同的实体。同时，该论文试图解决多模态特征在实体对齐中的不一致性和无关特征的问题。

该论文提出了一种渐进式模态冻结（PMF）的策略，专注于对齐相关特征并增强多模态特征融合。该方法引入了一种跨模态关联损失，以促进模态一致性。

论文通过在九个数据集上进行实验，证明了PMF方法的优越性，并展示了冻结模态的合理性。该论文还提供了开源代码，值得进一步研究。

最近的相关研究包括《Multi-Channel Graph Neural Network for Entity Alignment》、《Heterogeneous Graph Neural Network for Entity Alignment》等。