新框架解决多模态学习中的缺失数据问题

研究人员推出了一种名为“无监督学习处理多模态学习中的缺失模态”（UL4M4）的新型框架，旨在处理多模态学习场景中的缺失数据。UL4M4在监督预测之前以与任务无关的方式填充缺失的特征嵌入，利用特定于模态的归一化和部分模态距离度量来实现对不完整观测值的公平聚类。该框架的聚类中心指导迭代填充过程，支持任意数量的模态和缺失模式。实验表明，即使超过50%的模态槽缺失，UL4M4也能实现高于0.7的一致F1-Micro分数，优于现有基线。 AI

影响 这项研究为处理多模态人工智能系统中不完整数据提供了一个强大的解决方案，有望提高在数据不完美现实世界应用中的性能。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种新的多模态学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Influence Flower
• ScienceCast
• UL4M4
• Unsupervised Learning for Missing Modalities in Multimodal Learning

• 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 →