.png){kind=icon}
返回
Continuously self-adaptive multimodal sentiment analysis
.png){kind=icon}
PRE
AI
DOI：10.1108/ijwis-01-2026-0026.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文旨在解决多模态情感分析中模态噪声和情感线索可靠性的持续变化问题。这些动态感知特性对持续情感感知构成挑战，尤其是在存在模态冲突的情况下。设计/方法/途径作者提出了一种持续自适应多模态情感分析方法（CAMSA）。CAMSA将模态特征解耦为共享特征和私有特征，并引入变分信息瓶颈方法对共享特征进行概率建模和信息压缩，然后在情感线索逐步显现的过程中持续抑制冗余和噪声信息。此外，设计了一种多维自适应特征融合机制，从语义确定性、模态一致性和情感极端性角度评估模态可靠性。研究发现实验结果表明，在CMU-MOSI、CMU-MOSEI和CH-SIMS上的CAMSA在大多数评估指标上优于现有模型，验证了其在处理模态噪声和模态冲突方面的有效性。原始性/价值从持续情感感知的需求出发，本文提出了一种持续自适应的CAMSA框架，该框架结合了共享特征精炼与多维自适应融合机制，能够在动态和演变的感知场景中实现稳健的跨模态情感建模。CAMSA方法能够有效解决复杂动态情感感知任务中固定融合策略的问题。
Keyword:
Multimodal sentiment analysis
Feature decoupling
Self-adaptive
Modality conflict
期刊
I
IF:
2.3
论文数:
20
被引数:
0
机构
引用论文
Brain imaging studies of multisensory integration in emotion perception: A scoping review多感官整合在情绪感知中的脑成像研究：一项范围综述
PREAI
分享收藏A review of affective computing: From unimodal analysis to multimodal fusion情感计算综述: 从单峰分析到多模态融合.png)
INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏Flexible variational information bottleneck: Achieving diverse compression with a single training柔性变分信息瓶颈：通过单次训练实现多样化压缩NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容