逐步冻结模态的多模式实体对齐

PathFusion 方法通过构建连接实体和模态节点的路径来有效融合多模态信息，实验证明其在实际数据集上的优越性。

基于 CLIP 引导的对比学习架构用于多模态特征对齐，实验结果显示该模型在多模态讽刺检测和情感分析任务中优于多个基准模型。

ModalChorus 是一种交互式系统，通过 Modal Fusion Map 提高视觉和语言多模态嵌入的性能，适用于跨模态任务。

CBMF 模型结合模态融合和数据分布对齐的方法，解决了多模态任务中数据分布不一致的问题。

MCLEA 模型通过对比学习联合建模模态内和模态间的交互关系，在公共数据集上表现优于现有技术。

MoAlign transformer 通过引入邻居特征和实体类型增强多模态实体对齐任务，实验证明其优于竞争对手。

PMF 方法用于融合单模式预训练变压器，显著减少训练内存使用。

MIMEA 框架实现多粒度交互，经过实验证明其在真实世界数据集上的强大性能。

AdaMF-MAT 方法结合结构、视觉和文本信息，通过自适应模态融合实现对不平衡模态信息的充分利用，取得最佳结果。

交互式多模态融合技术在保留各自模态特征的同时，提升了链接预测效果，并在多个真实世界数据集上进行了评估。