热点事件持续更新

RM-Net多模态情感预测方法发布

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

Minghao Kong等作者发布论文，提出面向局部模态缺失的多模态情感预测方法 RM-Net。该方法在 CMU-MOSEI 对齐特征上保留原始时间位置，用学习 token 表示未观测位置，并输出受观测质量门控的模态强度贡献。作者称，融合五个 RM-Net 种子与 LoRA 微调的 BERT 文本专家后，模型在干净输入上 macro-F1 为 0.655，40% 混合缺失下为 0.634，双视图平均比辅助头基线高 0.024。该结果来自开发中检查过的划分，并非盲测。

AI 根据报道生成 · 3 小时前更新

最新进展10月15日 12:00

RM-Net：面向局部模态缺失的多模态情感预测可靠性网络

报道时间线

沿着报道，了解事件的不同侧面。

10月15日

12:00
arXiv cs.CV
RM-Net：面向局部模态缺失的多模态情感预测可靠性网络
RM-Net 在 CMU-MOSEI 对齐特征上处理局部模态缺失，保留原始时间位置、用学习 token 表示未观测位置，并输出受观测质量门控的模态强度贡献。融合五个 RM-Net 种子与 LoRA 微调的 BERT 文本专家后，模型在干净输入上 macro-F1 为 0.655，40% 混合缺失下为 0.634，双视图平均比辅助头基线高 0.024。该结果来自开发中检查过的划分，并非盲测。

本事件热度走势

可比范围当前: 9
可比范围峰值: 1010月15日 13:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。