多模態(tài)深度學(xué)習(xí)：用深度學(xué)習(xí)的方式融合各種信息

多模態(tài)數(shù)據(jù)

我們對世界的體驗是多模態(tài)的 —— 我們看到物體，聽到聲音，感覺到質(zhì)地，聞到氣味，嘗到味道。模態(tài)是指某件事發(fā)生或經(jīng)歷的方式，當(dāng)一個研究問題包含多個模態(tài)時，它就具有多模態(tài)的特征。為了讓人工智能在理解我們周圍的世界方面取得進(jìn)展，它需要能夠同時解釋這些多模態(tài)的信號。

例如，圖像通常與標(biāo)簽和文本解釋相關(guān)聯(lián)，文本包含圖像，以更清楚地表達(dá)文章的中心思想。不同的模態(tài)具有非常不同的統(tǒng)計特性。

多模態(tài)深度學(xué)習(xí)

雖然結(jié)合不同的模態(tài)或信息類型來提高效果從直觀上看是一項很有吸引力的任務(wù)，但在實踐中，如何結(jié)合不同的噪聲水平和模態(tài)之間的沖突是一個挑戰(zhàn)。此外，模型對預(yù)測結(jié)果有不同的定量影響。在實踐中最常見的方法是將不同輸入的高級嵌入連接起來，然后應(yīng)用softmax。

這種方法的問題是，它將給予所有子網(wǎng)絡(luò)/模式同等的重要性，這在現(xiàn)實情況中是非常不可能的。

對網(wǎng)絡(luò)進(jìn)行加權(quán)組合

我們采用子網(wǎng)絡(luò)的加權(quán)組合，以便每個輸入模態(tài)可以對輸出預(yù)測有一個學(xué)習(xí)貢獻(xiàn)(Theta)。

我們的優(yōu)化問題變成-

對每個子網(wǎng)絡(luò)給出Theta權(quán)值后的損失函數(shù)。

把所有的都用起來！

準(zhǔn)確性和可解釋性

我們在兩個現(xiàn)實多模態(tài)數(shù)據(jù)集上得到了SOTA：

Multimodal Corpus of Sentiment Intensity(MOSI) 數(shù)據(jù)集 —— 有417個標(biāo)注過的視頻，每毫秒標(biāo)注的音頻特征。共有2199個標(biāo)注數(shù)據(jù)點，其中情緒強度定義為從strongly negative到strongly positive，線性尺度從- 3到+3。

模態(tài)包括：

1、文本

2、音頻

3、語言

Transcription Start Site Prediction(TSS)數(shù)據(jù)集 —— Transcription是基因表達(dá)的第一步，在這一步中，特定的DNA片段被復(fù)制到RNA (mRNA)中。Transcription起始位點是transcription開始的位置。DNA片段的不同部分具有不同的特性，從而影響其存在。我們將TSS分為三個部分：

1. 上游DNA
2. 下游DNA
3. TSS位置

我們?nèi)〉昧饲八从械母纳疲戎暗淖钕冗M(jìn)的結(jié)果3%。使用TATA box的下游DNA區(qū)域?qū)@一過程影響最大。