Modality Modulation with Adaptive Fusion for Multimodal Sentiment Analysis
Notice bibliographique
Résumé
Multimodal sentiment analysis aims at extracting effective information from different modalities such as text, audio, and visual to infer the speaker’s sentiment state. Due to the high heterogeneity across modalities, most existing approaches decouple modalities into specific and invariant features, which can capture effective cross-modal representations to some extent. However, in multimodal tasks, different modalities exhibit varying strengths and weaknesses, with strong modalities dominating the overall optimization direction of the network, leading to under-optimization of weak modalities. To address the modality imbalance issue, we propose a Modality Modulation Adaptive Fusion Network (MMAFNet) to optimize the learning of valuable information from each modality. Specifically, for modality-specific features, we design a specific feature gradient modulation strategy to stimulate the weak modalities learning and adaptively modulate the corresponding gradients by measuring different importance to better optimize each modality. For modality-invariant features, in terms of the distance between different modalities, we propose an invariant feature parameter reset strategy that prevents overfitting irrelevant information while enhancing the feature extraction capability of weaker modalities. Finally, we incorporate an adaptive fusion module to combine modality-specific and invariant features based on their respective weights. Overall, we analyze the characteristics of various features and propose modality modulation strategies that mitigate modality imbalance. Extensive experiments on two multimodal sentiment analysis datasets, demonstrate the superior performance of our method.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».