English(EN) Reliability-Aware Multimodal Sentiment Prediction Under Local Modality Missingness

新的RM-Net模型通过处理缺失数据改进了多模态情感预测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了RM-Net，一种新颖的神经网络，旨在通过考虑文本、音频和视频流中的缺失数据来改进多模态情感预测。该模型用一个学习到的token表示未观察到的时间位置，并输出每个模态的受观察质量调制的有界强度贡献。RM-Net使用连续片段的双视图掩码进行训练，在完整输入上达到了0.655的宏观F1分数，在40%混合缺失数据上达到了0.634的宏观F1分数。 AI

影响这项研究可能带来更鲁棒的情感分析系统，即使在多模态数据不完整的情况下也能有效运行。

排序理由该集群包含一篇详细介绍新模型及其在特定任务上性能的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新模型及其在特定任务上性能的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Minghao Kong, Deng Yao, Xi Zhang, Ying Gao, Jiurun Chen, Zirong Liu, Rongjie Wang · 2026-10-15 04:00

局部模态缺失下的可靠性感知多模态情感预测

arXiv:2610.20543v1 Announce Type: new Abstract: Multimodal sentiment models are usually evaluated on complete utterances, yet streams often lose a contiguous span of text, audio, or video. We study local missingness on aligned CMU-MOSEI features. Our reliability-aware network (RM…

本文如何被排名

报道来源 [1]

局部模态缺失下的可靠性感知多模态情感预测

相关实体

相关话题