多模态大模型

Toward Effective Multimodal Graph Foundation Model: A Divide-and-Conquer Based Approach

迈向有效的多模态图基础模型：基于分而治之的方法

Sicheng Liu, Xunkai Li, Daohan Su, Ru Zhang, Hongchao Qin, Ronghua Li, Guoren Wang

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） 纠错

专题命中 跨模态检索 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.AI

AI总结 PLANET提出了一种基于分而治之的方法，通过解耦模态交互和对齐，提升多模态图基础模型的性能。

Comments 20 pages, 6 figures

MMSF: Multitask and Multimodal Supervised Framework for WSI Classification and Survival Analysis

MMSF：多任务和多模态监督框架用于WSI分类和生存分析

Chengying She, Chengwei Chen, Xinran Zhang, Ben Wang, Lizhuang Liu, Chengwei Shao, Yun Bian

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Advanced Research Institute, Chinese Academy of Sciences（中国科学院上海先进研究院） ； Department of Radiology, Changhai Hospital（昌海医院放射科） 纠错

专题命中 跨模态检索 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.CV

AI总结 MMSF通过多任务和多模态监督框架，结合组织拓扑和临床数据，提升全滑片图像分类和生存分析的准确性和预后预测能力。

Comments Submitted to "Biomedical Signal Processing and Control"

Group Contrastive Learning for Weakly Paired Multimodal Data

用于弱配对多模态数据的组对比学习

Aditya Gorla, Hugues Van Assel, Jan-Christian Huetter, Heming Yao, Kyunghyun Cho, Aviv Regev, Russell Littman

机构 * Research and Early Development (gRED), Genentech（Genentech 研究与早期发展部门） ； UCLA（加州大学洛杉矶分校） ； Biology Research | AI Development (BRAID), Genentech（Genentech 生物研究 | 人工智能开发部门） ； Genentech Computational Sciences NYU（Genentech 计算科学与纽约大学） 纠错

专题命中 跨模态检索 ：multimodal(title)；multi-modal(abstract)；cross-modal(abstract)

AI总结 GROOVE通过组级对比学习方法，有效处理弱配对多模态数据，提升跨模态匹配与填补任务的性能。

LILaC: Late Interacting in Layered Component Graph for Open-domain Multimodal Multihop Retrieval

LILaC：基于分层组件图的开放域多模态多跳检索中的后期交互

Joohyung Yun, Doyup Lee, Wook-Shin Han

专题命中 跨模态检索 ：multimodal(title,abstract)

AI总结 LILaC通过分层组件图和后期交互子图检索方法，提升开放域多模态多跳检索的精度与效率。

Comments Project page: https://lilac-emnlp2025.github.io/

Beyond Global Alignment: Fine-Grained Motion-Language Retrieval via Pyramidal Shapley-Taylor Learning

超越全局对齐：通过金字塔Shapley-Taylor学习实现细粒度动语言检索

Hanmo Chen, Guangtao Lyu, Chenghao Xu, Jiexi Yan, Xu Yang, Cheng Deng

机构 * Hangzhou Institute of Technology, Xidian University, Hangzhou, China（杭州理工大学、西安电子科技大学、杭州，中国） ； Xidian University, Xi'an, China（西安电子科技大学、西安，中国） ； Hohai University, Nanjing, China（河海大学、南京，中国） 纠错

专题命中 跨模态检索 ：cross-modal(abstract)；分类 cs.CV

AI总结 本文提出基于金字塔Shapley-Taylor学习的细粒度动语言检索方法，通过分层对齐捕捉局部细节与层次结构，提升检索性能。