Aligning Vision to Language: Annotation-Free Multimodal Knowledge Graph Construction for Enhanced LLMs Reasoning
Created by
Haebom
저자
Junming Liu, Siyuan Meng, Yanting Gao, Song Mao, Pinlong Cai, Guohang Yan, Yirong Chen, Zilin Bian, Ding Wang, Botian Shi
개요
본 논문은 대규모 언어 모델(LLM)의 다중 모드 추론에서 불완전한 지식과 환각 아티팩트 문제를 해결하기 위해, 시각-언어 통합 지식 그래프(VaLiK)를 제안합니다. VaLiK는 사전 훈련된 시각-언어 모델(VLM)을 이용하여 이미지 특징을 텍스트와 정렬하고, 이미지 특정 정보를 담은 설명으로 변환합니다. 또한, 교차 모드 유사도 검증 메커니즘을 통해 특징 정렬 과정에서 발생하는 노이즈를 효과적으로 제거합니다. 수동으로 주석이 달린 이미지 캡션 없이도, 개선된 설명만으로 MMKG를 구성할 수 있습니다. 기존 MMKG 구성 방식과 비교하여 저장 효율성을 크게 높이고, 엔티티-이미지 직접 연결 기능을 유지합니다. 다중 모드 추론 작업에 대한 실험 결과, VaLiK를 활용한 LLM이 기존 최첨단 모델보다 성능이 우수함을 보여줍니다.