AAAI 2024 | 针对多模态表示偏差的非对称增强
发布日期:2025-06-08 03:18:23 浏览次数:3 分类:精选文章

本文共 293 字,大约阅读时间需要 1 分钟。

论文信息

标题:Asymmetric Reinforcing against Multi-modal Representation Bias
作者:Xiyuan Gao, Bing Cao, Pengfei Zhu, Nannan Wang, Qinghua Hu

论文创新点

本研究提出了一种基于互信息的评估指标(MIV),用于衡量每个模态的边际贡献以及所有模态的联合贡献。同时,我们提出了一种非对称增强框架(ARM),通过动态特征级融合和平衡最小-最大损失,有效缓解多模态表示偏差问题。

这种创新方法不仅为多模态数据的表示优化提供了新的理论框架,还显著提升了模型的鲁棒性和表示能力。

上一篇:ACM MM‘24 | DCAFuse:用于多模态图像融合的双分支扩散 - CNN 互补特征聚合网络
下一篇:AAAI 2024 | 跨域少样本学习的任务特定预条件器

发表评论

最新留言

第一次来,支持一个
[***.219.124.196]2026年06月22日 15时55分30秒