11:31arXiv cs.AI@Junghyun Lee, Hyunseo Kim, Hanna Jang, Junhyug Noh精选本文提出了一种基于排序感知的选择性融合框架,用于解决混合情感识别中多模态线索重叠的挑战。该方法通过注意力门控模块估计每个编码器的重要性,仅融合最有效的 top-n 编码器,并解耦预测为存在性和显著性两个头部。在 BlEmoRE 挑战中,该框架超越了强个体编码器和朴素多编码器融合基线,最终获得第二名。这项工作展示了排序感知融合在细粒度混合情感识别中的有效性。论文混合情感识别多模态融合排序感知注意力门控BlEmoRE推荐理由:混合情感识别是多模态 AI 的难点,这个排序感知融合框架解决了编码器选择问题,做情感计算或多模态融合的团队可以直接参考其方法。原文
11:02arXiv cs.LG@Robson W. S. Pessoa, Julien Amblard, Alessandra Russo, Idelfonso B. R. Nogueira精选UTOPYA是一个1520万参数的多模态框架,通过融合八种数据模态,解决了批处理过程中的异常检测难题。该框架采用特征线性调制(FiLM)条件跨模态注意力和门控融合,并引入物理信息正则化方案,强制时间平滑和热力学单调性。在119实验的多模态批处理蒸馏数据集上,UTOPYA在窗口级测试AUROC达到0.832,多信号实验级AUROC达到0.874,显著优于PCA、自编码器、孤立森林和LSTM自编码器等基线方法。消融实验表明,FiLM条件提供的静态上下文是关键因素,将实验级多信号AUROC从0.729提升至0.874。同时,研究揭示了实例归一化、Mixup、集成、测试时增强和随机权重平均等常用技术在此数据稀缺场景下反而会降低泛化性能。论文异常检测多模态融合物理信息网络时间序列预测批处理过程推荐理由:UTOPYA为工业过程监控提供了首个融合物理信息与多模态数据的端到端方案,做异常检测和过程控制的工程师可以直接参考其架构设计,尤其适合数据稀缺场景下的部署决策。原文