Taylor evidence scores

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。