導讀

使用深度學習融合各種來源的信息。

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

多模態(tài)深度學習

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，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，然后應用softmax。

多模態(tài)深度學習的例子，其中使用不同類型的神經(jīng)網(wǎng)絡提取特征

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

所有的模態(tài)對預測都有相同的貢獻

對網(wǎng)絡進行加權(quán)組合

我們采用子網(wǎng)絡的加權(quán)組合，以便每個輸入模態(tài)可以對輸出預測有一個學習貢獻(Theta)。 我們的優(yōu)化問題變成-

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

將權(quán)值附加到子網(wǎng)后預測輸出。

把所有的都用起來！

準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個標注過的視頻，每毫秒標注的音頻特征。共有2199個標注數(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

每種模態(tài)對情緒預測的貢獻量 Transcription Start Site Prediction(TSS)數(shù)據(jù)集 —— Transcription是基因表達的第一步，在這一步中，特定的DNA片段被復制到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：

上游DNA

下游DNA

TSS位置

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

責任編輯：lq