新的协同学习框架解决了多模态分类中缺失数据的问题

研究人员开发了一种新颖的协同学习框架，以应对多模态分类任务中缺失模态的挑战。该框架旨在处理推理过程中任何子集数据模态可能缺席的情况，这种情况被称为“缺失任意模态”。提出了两种不同的方法：一种在缺失数据最少的情况下表现出色（例如，缺失一种模态），另一种在极端缺失条件下表现更好（例如，缺失除一种模态外的所有模态）。在两个基准上的实验表明，在各种缺失模态场景下，鲁棒性得到了显著提高。 AI

影响 这项研究可以提高人工智能系统在数据不完整情况下的可靠性。

排序理由 该条目是一篇学术论文，详细介绍了一种新的多模态分类方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• arXivLabs
• CatalyzeX Code Finder for Papers
• Co-learning and co-producing sustainable development: the possibilities of enactive social science
• computer science
• Computer vision and pattern recognition
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• Multi-modal classification of neurodegenerative disease by progressive graph-based transductive learning
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →