Multi-level fusion with fine-grained alignment for multimodal sentiment analysis
Notice bibliographique
Résumé
Abstract Multimodal sentiment analysis (MSA) integrates and processes data from multiple sources, like audio and text, to better understand human emotions through cross-modal interactions. The effective acquisition and integration of meaningful features for constructing richer sentiment representations remains a key challenge in MSA. Most existing methods directly obtain global representations and integrate at the utterance level from different modalities, but this ignores fine-grained representations and makes it difficult to capture intricate relationships within and between modalities. Therefore, we propose a novel method, Fine-grained Multimodal Fusion Network (MMTA). Firstly, a Fine-grained Alignment (FGA) module is introduced to align and extract word-level features to bridge heterogeneous modal gaps. FGA enables word-level alignment between audio, text, and their corresponding contextual information using the Montreal Forced Aligner (MFA). Secondly, a Multi-level Fusion module (MLF) is designed, which captures more cross-modal interaction through three stages: Local-Local Interaction, Local-Global Interaction, and Similarity-weighted Representation Adjustment. Finally, an Attention Fusion Network(AFN) module is developed to capture both inter- and intra-modal correlations, enabling the generation of consistent multimodal representations. Extensive evaluations on widely used MSA datasets, CMU-MOSI and CMU-MOSEI, indicate that our method outperforms prior baselines and validates the effectiveness of the fine-grained alignment and the multi-level fusion for improving multimodal sentiment analysis performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».