📌 本文提出了一种统一的多模态知识图谱补全框架——ChoicE，该方法有效解决了模态异质性与空间异质性两大挑战，并在多个基准数据集上实现了当前最佳表现。
🔍 项目简介多模态知识图谱补全（Multimodal Knowledge Graph Completion, MKGC）任务，旨在综合结构信息、文本描述与视觉图像，预测知识图谱中的缺失实体或关系。然而，现有方法难以同时解决以下两大核心问题：
Modal Heterogeneity（模态异质性）：不同模态间数据分布差异显著，融合难度大。
Spatial Heterogeneity（空间异质性）：单一几何空间无法同时建模对称、反对称、层级等复杂关系。
🧠 解决方案：ChoicE 框架我们提出了一个双层动态选择机制：
🎛️ 1. Multimodal Chooser（模态选择器）
动态选择结构、文本、视觉三个模态的专家网络
使用Gumbel Softmax路由机制保持模态独立性与互补性
引入V ...
