Réseau neuronal graphique multimodal
Un réseau neuronal graphique multimodal (MM-GNN) combine des données provenant de multiples modalités — telles que le texte, les images et les caractéristiques structurées — au sein d'une structure graphique unifiée et applique un passage de messages basé sur le graphe pour apprendre des représentations conjointes. Il permet un raisonnement relationnel à travers des sources de données hétérogènes, allant au-delà de ce que les approches unimodales ou de simple concaténation peuvent capturer.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. International Conference on Learning Representations (ICLR). link ↗
- Zhang, Z., Lin, H., & Zhao, X. (2020). Multimodal Graph Neural Network for Knowledge-Based Visual Question Answering. Information Processing & Management, 57(6), 102382. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Multimodal Graph Neural Network (MM-GNN). ScholarGate. https://scholargate.app/fr/deep-learning/multimodal-graph-neural-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Réseau neuronal à graphesAnalyse de réseaux↔ compare
- Classification multimodale basée sur BERTApprentissage profond↔ compare
- Réseau de neurones convolutifs multimodauxApprentissage profond↔ compare
- Plongements de phrases multimodauxApprentissage profond↔ compare
- Transformeur MultimodalApprentissage profond↔ compare
- Autoencodeur variationnel multimodalApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →