關(guān)于多模態(tài)機(jī)器學(xué)習(xí)綜述論文

摘要：”當(dāng)研究問題或數(shù)據(jù)集包括多個(gè)這樣的模態(tài)時(shí)，其特征在于多模態(tài)。

【導(dǎo)讀】人工智能領(lǐng)域最頂級(jí)國際期刊IEEE Transactions on Pattern Analysis and Machine Intelligence(IEEETPAMI,影響因子為 9.455)，2019年1月最新一期發(fā)表了關(guān)于多模態(tài)機(jī)器學(xué)習(xí)綜述論文。我們周圍的世界涉及多種形式 - 我們看到物體，聽到聲音，感覺質(zhì)地，聞到異味等等。 一般而言，模態(tài)指的是事物發(fā)生或經(jīng)歷的方式。 大多數(shù)人將形態(tài)與感覺方式聯(lián)系起來，這些感覺方式代表了我們主要的交流和感覺渠道，例如視覺或觸覺。

因此，當(dāng)研究問題或數(shù)據(jù)集包括多個(gè)這樣的模態(tài)時(shí)，其特征在于多模態(tài)。 本文主要關(guān)注但不僅僅關(guān)注三種形式：自然語言既可以是書面的，也可以是口頭的; 視覺信號(hào)，通常用圖像或視頻表示; 和聲音信號(hào)，編碼聲音和口頭信息，如韻律和聲音表達(dá)。

我們對世界的體驗(yàn)是多模式的 - 我們看到物體，聽到聲音，感覺質(zhì)地，聞到異味和味道。情態(tài)是指某種事物發(fā)生或經(jīng)歷的方式，并且當(dāng)研究問題包括多種這樣的形式時(shí)，研究問題被描述為多模式。為了使人工智能在理解我們周圍的世界方面取得進(jìn)展，它需要能夠?qū)⑦@種多模態(tài)信號(hào)一起解釋。多模式機(jī)器學(xué)習(xí)旨在構(gòu)建可以處理和關(guān)聯(lián)來自多種模態(tài)的信息的模型。這是一個(gè)充滿活力的多學(xué)科領(lǐng)域，具有越來越重要的意義和非凡的潛力。本文不是關(guān)注特定的多模態(tài)應(yīng)用，而是研究多模態(tài)機(jī)器學(xué)習(xí)本身的最新進(jìn)展。我們超越了典型的早期和晚期融合分類，并確定了多模式機(jī)器學(xué)習(xí)所面臨的更廣泛的挑戰(zhàn)，即：表示，翻譯，對齊，融合和共同學(xué)習(xí)。這種新的分類法將使研究人員能夠更好地了解該領(lǐng)域的狀況，并確定未來研究的方向。

論文地址：

http://www.zhuanzhi.ai/paper/2236c08ef0cd1bc87cae0f14cfbb9915

https://ieeexplore.ieee.org/document/8269806

模態(tài)特征表示

多模態(tài)的表示方法有兩類：

聯(lián)合表示將不同模態(tài)的特征映射到同一個(gè)空間，代表方法有神經(jīng)網(wǎng)絡(luò)的方法、圖模型方法與序列模型方法。

協(xié)調(diào)方法特征仍在原空間，但是通過相似度或者結(jié)構(gòu)特征協(xié)調(diào)。

多模態(tài)特征翻譯

多模態(tài)特征翻譯分為基于樣本的和生成式的：

基于樣本的方法從特征字典中找出最佳翻譯。基于樣本的方法分為基于檢索式的和合并的方法。

生成式的方法則是通過樣本，訓(xùn)練一個(gè)翻譯模型，并使用翻譯模型完成對特征的轉(zhuǎn)換。生成式的方法有基于語法的、encoder-decoder模型和連續(xù)模型。

多模態(tài)特征對齊

多模態(tài)特征對齊是找到同一個(gè)實(shí)例的不同之間模態(tài)特征之間的關(guān)系。

顯式對齊方法包括監(jiān)督模型和無監(jiān)督模型。無監(jiān)督模型如CCA和DTW（Dynamic time warping）等。

隱式對齊的方法包括圖模型和神經(jīng)網(wǎng)絡(luò)

多模態(tài)特征融合

多模態(tài)特征融合是指將從不同模態(tài)的特征集成在一起，共同完成一個(gè)任務(wù)，如分類。

無模型融合的方法被分為早期模型（基于特征）、晚期模型（基于決策）和混合模型

有模型融合的方法有核方法、圖模型方法、神經(jīng)網(wǎng)絡(luò)模型方法等。