DualKanbaFormer: An Efficient Selective Sparse Framework for Multimodal Aspect-Based Sentiment Analysis

doi:10.1109/tetci.2026.3671067

DualKanbaFormer: An Efficient Selective Sparse Framework for Multimodal Aspect-Based Sentiment Analysis

2026-03-01

2

PRE

AI

DOI：10.1109/tetci.2026.3671067

原文链接

原文求助

摘要

En 中文

多模态基于方面的情感分析（MABSA）通过将文本与互补模态（如图像）相结合，以增强情感检测，从而更全面地理解方面级别的情感。尽管取得了显著进展，但现有的MABSA方法仍缺乏强烈的方面意识，特别是在包含多个方面和冲突情感的句子中，或当视觉线索与文本错位时。这些问题共同阻碍了对方面关注和跨模态依赖关系的准确建模，限制了MABSA的有效性。为解决这些挑战，我们提出了DualKanbaFormer框架，该框架包含并行文本和视觉KanbaFormer模块，专门针对MABSA进行设计。该模型的核心引入了面向方面的稀疏注意力（ADSA），并采用方面感知的注意力门控机制，该机制根据目标方面动态调节范围、焦点和邻近性注意力分支的贡献。这确保了方面与观点信号之间的精确对齐。此外，选择性状态空间模型Mamba通过建模跨模态的长距离依赖关系，增强了方面-观点对齐。为提高表示能力和训练稳定性，Kolmogorov-Arnold网络（KANs）和动态双曲正切（DyT）取代了传统的全连接层和归一化层。最后，基于CNN的多模态门控融合模块自适应地调节跨模态交互，确保文本和视觉特征之间的鲁棒对齐。在两个基准数据集上的实验表明，DualKanbaFormer优于多个当前最优模型。

Keyword:

Visualization

Feature extraction

Sentiment analysis

Logic gates

Accuracy

Noise

Electronic mail

Computational modeling

Computer architecture

Transformers

Multimodal aspect-based sentiment analysis (MABSA)

Selective state space model

Kolmogorov-Arnold Networks (KANs)

Native Sparse Attention

DualKanbaFormer: An Efficient Selective Sparse Framework for Multimodal Aspect-Based Sentiment Analysis

摘要

期刊

机构

引用论文