GAUGE框架通过不完整数据改进多模态分类

研究人员推出GAUGE，一个旨在提高多模态分类准确性的新框架，尤其是在输入数据不完整的情况下。GAUGE通过填补缺失的模态，然后使用基于预测感知泰勒证据得分的反事实门控机制来工作。这种方法允许对证据单元进行细粒度控制，抑制误导性信息，并在不改变核心模型架构的情况下提高预测的可靠性。在六个基准上的实验表明，GAUGE在处理不完整多模态输入方面优于现有方法。 AI

影响 增强了多模态AI系统在现实世界中处理缺失数据的鲁棒性。

排序理由 该集群包含一篇详细介绍多模态分类新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• GAUGE
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• ScienceCast
• Taylor evidence scores

• 论文
• 模型发布

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