CHARM：階層的コンテキストモデリングによるマルチモーダルグラフ基盤モデルでゼロショット転移を実現

AIの世界で、新しい技術「CHARM（チャーム）」が注目されています。これは、たくさんの情報が絡み合った「グラフ」というものを、AIがもっと賢く理解できるようにする、新しい仕組みなんです。

「グラフ」と聞くと、グラフ用紙に書くような折れ線グラフや棒グラフを思い浮かべるかもしれませんが、ここではもっと複雑な情報のつながりを表すものを指します。例えば、SNSの友達関係や、商品のレビュー、あるいは科学論文の引用関係などもグラフで表現できます。そして、現実世界のグラフは、単なるつながりだけでなく、それぞれの情報（ノードと呼ばれます）に文章（テキスト）や画像といった、さまざまな種類の情報が付いています。これを「マルチモーダルグラフ」と呼びます。

AIがこうしたマルチモーダルグラフを理解できれば、例えば、ある商品のレビュー画像とテキストを同時に見て、その商品の特徴をより深く理解できるようになります。さらに、「グラフ基盤モデル（GFM）」という考え方を使えば、あるグラフで学習した知識を、別の新しいグラフや、少し違う種類の問題にも応用できる可能性が広がります。これは、AIが「知識を転移させる」能力を持つということです。

しかし、ここで大きな壁がありました。現実世界では、新しいグラフのデータを用意して、AIに「これはこういう意味だよ」と教え込む（ラベル付け）作業は、時間もお金もかかり、時には不可能だからです。そこで、「ゼロショット転移」という、AIが全く新しい状況でも、事前に教えられていなくても、うまく対応できる能力が求められていました。

これまでのAIモデルには、このゼロショット転移が難しいという課題がありました。グラフの形や、そこに付いている情報の種類が違うと、うまく対応できなかったのです。そこで登場したのが、この「CHARM」です。CHARMは、AIがさまざまな種類の情報（モダリティ）の知識をまとめて理解しつつ、それらの情報間の「つながり」をうまく捉えることを目指しています。さらに、新しいグラフに適用する際に、いちいちAIを再学習させなくても、うまく情報を読み取れるように工夫されています。これにより、AIがより少ない手間で、多様なグラフ情報を理解し、応用できるようになることが期待されています。