Learning on Multimodal Graphs: A Survey

多模态数据在各个领域中普遍存在，包括医疗保健、社交媒体和交通运输，其中多模态图在其中起着关键作用。在多模态图上进行机器学习，称为多模态图学习（MGL），对于成功的人工智能（AI）应用至关重要。这个领域的蓬勃发展涵盖了不同的图形数据类型和模态、学习技术和应用场景。本综述论文对现有的多模态图学习工作进行了比较分析，阐明了在不同类型的图形中如何实现多模态学习，并探讨了普遍学习技术的特点。此外，我们还描述了多模态图学习的重要应用，并提供了未来在这一领域中的方向。因此，本文是研究人员了解现有MGL技术及其在不同场景中适用性的基础资源。

本文旨在比较分析现有的多模态图学习技术，阐明不同图类型如何实现多模态学习并探索普遍学习技术的特征。此外，本文还勾勒了多模态图学习的重要应用，并提供了对未来研究方向的见解。

本文提出了多模态图学习（MGL）的概念，旨在通过比较分析现有的MGL技术，阐明如何实现不同类型的图的多模态学习，以及探索普遍学习技术的特征。同时，本文还提供了多个应用案例，包括医疗保健、社交媒体和交通等领域。

本文对现有的多模态图学习技术进行了比较分析，探索了不同类型的图的多模态学习的特点，并提供了多个应用案例。实验使用了多个数据集，并提供了一些开源代码。本文提出了一些未来研究方向，如如何将多模态图学习应用于更广泛的领域。

最近在这个领域中，还有一些相关的研究，如《Multimodal Graph Convolutional Networks for Detection of COVID-19 Cases in Chest X-ray Images》、《Multi-Modal Graph Convolutional Neural Networks for Personalized Recommendation of Scientific Articles》等。