一文彻底搞懂多模态：多模态推理

多模态推理涉及至少两种不同的感知模态，最常见的是视觉和语言。这两种模态的信息可以是图片和文本、视频和语音等。多模态推理的目标是从不同模态的信息中获取更全面、更准确的理解和知识，以支持各种任务，包括视觉问答、视觉常识推理、视觉语言导航等。

接下来分两部分：知识图谱推理、多模态推理任务，一起来深入了解多模态应用：多模态推理。

一、知识图谱推理

1、什么是知识图谱（Knowledge Graph）？

知识图谱是一种结构化的知识库，它以图的形式表示和存储现实世界中的实体、概念及其相互关系。这些实体可以是具体的人、地点、事物，也可以是抽象的概念或思想。

• 节点：代表现实世界中的实体（如人、地点、事物、概念等），每个实体通常由一个唯一的标识符表示。
• 边：表示这些实体之间的关系。

知识图谱的基本组成单位是“实体—关系—实体”三元组，以及实体及其相关属性—值对，实体间通过关系相互联结，构成网状的知识结构。

KG = （E，R，T），KG表示知识图谱、E表示实体集合、R表示关系集合、T表示知识三元组集合。

2、什么是知识图谱推理（Multimodal Reasoning with Knowledge Graph）？

知识图谱推理是指基于知识图谱中的事实和关系，通过逻辑、规则、统计或机器学习等方法，从已知的信息中推断出新的信息或关系的过程。

知识图谱推理的目标是从有限的事实中推导出更多的知识，填补知识图谱中的空白或增强图谱的表达能力。

（一）基于规则学习

通过挖掘图谱中的逻辑规则，利用规则匹配和推理来预测新的实体和关系。例如：重写逻辑（Rewriting Logic），将规则表示为重写规则，并通过递归应用重写规则来进行推理。

（二）基于路径排序：

利用图谱中实体间的路径特征进行排序学习，通过评估路径的可信度来推断实体间的关系。例如：路径排序算法（Path-Ranking Algorithm，PRA），采用随机行走和基于重启的推理机制，执行多个有界深度优先搜索过程来寻找关系路径。

（三）基于表示学习：

将实体和关系嵌入到低维向量空间，通过向量运算和相似性度量进行推理。例如：翻译距离模型（如TransE、TransH、TransR等），这些模型为知识图谱中的每个实体和关系学习一个向量表示，并通过向量间的运算关系来推断新的实体和关系。

（四）基于神经网络学习

利用神经网络模型捕捉图谱中的结构信息，通过神经网络的前向传播进行推理预测。例如：基于图神经网络（GNN）的推理方法，如基于注意力机制的图卷积神经网络（Graph Attention Network，GAT），通过对实体之间的相似度进行加权，来推断实体之间的关系。

二、多模态推理任务

什么是多模态推理任务（Multi-Modal Reasoning Task）？

多模态推理任务是指利用多种感知模态的信息进行综合分析和判断的过程。

（一）视觉问答（Visual Question Answering，VQA）

视觉问答指的是给机器一张图片和一个开放式的自然语言问题，要求机器输出自然语言答案。答案可以是短语、单词、(yes/no)或从几个可能的答案中选择正确答案。

• VQA是一个典型的多模态问题，融合了计算机视觉（CV）与自然语言处理（NLP）的技术，计算机需要同时学会理解图像和文字。

• 为了回答某些复杂问题，计算机还需要了解常识，并基于常识进行推理（common-sense resoning）。

（二）视觉常识推理（Visual Commonsense Reasoning，VCR）

视觉常识推理需要在理解文本的基础上结合图片信息，基于常识进行推理。给定一张图片、图中一系列有标签的bounding box，VCR实际上包含两个子任务：{Q->A}根据问题选择答案；{QA->R}根据问题和答案进行推理，解释为什么选择该答案。

• VCR数据集由大量的“图片-问答”对组成，主要考察模型对跨模态的语义理解和常识推理能力。

• 预训练任务可能包括将BERT经典的MLM和NSP预训练任务扩展到多模态场景等。

（三）视觉语言导航（Vision Language Navigation）

视觉语言导航是一种技术，它结合了计算机视觉、自然语言处理和自主学习三大核心技术，使智能体能够跟随自然语言指令进行导航。

• 智能体不仅能够理解指令，还能理解指令与视角中可以看见的图像信息。
• 智能体需要在环境中对自身所处状态进行调整和修复，最终做出对应的动作，以达到目标位置。

---

三、最后分享

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2024行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】