Multi-modal learning with incomplete data

doi:10.1038/s41467-026-77212-w

Multi-modal learning with incomplete data

2026-08-31

0

OA

AI

DOI：10.1038/s41467-026-77212-w

原文链接

原文求助

摘要

En 中文

多模态学习将多种数据类型集成并协同分析，已成为人工智能研究的核心领域，推动了众多领域的重大进展。然而，在实际应用中，部分样本可能缺失某些模态或变量，导致传统方法性能受限或失效。这催生了不完整数据下的多模态学习领域，该领域因广泛的真实世界应用而迅速发展。尽管如此，学界仍缺乏标准工具来有效处理不完整的多模态数据。为填补这一空白，我们开发了iMML，一个统一的、用户友好的Python软件包，包含多样化方法，专为集成、处理和分析不完整多模态数据设计。在生物医学、文本分析和计算机视觉等不同机器学习任务中的成功案例展示了iMML在复杂真实世界应用中充分利用现代数据集的潜力。iMML软件包可通过https://github.com/ocbe-uio/imml获取，并附有https://imml.readthedocs.io/上的详细文档。不完整多模态数据集对真实世界机器学习应用构成重大挑战。本文作者提出iMML，一个统一的开放源码Python软件包，旨在分析和集成不完整多模态数据集，以支持多样化的机器学习任务。

Multi-modal learning with incomplete data

摘要

期刊

机构

引用论文