论文阅读
文章平均质量分 81
Bourne___1
这个作者很懒,什么都没留下…
展开
-
TPFN: Applying Outer Product along Time to Multimodal Sentiment Analysis Fusion on Incomplete Data
Abstract1 在理想的情况下,所有的模态都是完整的,但是现实生活中,可能存在模态数值缺失或者噪声混入使得多模态数据呈现出不完整的特征(imperfect)。2 先前的工作探索了融合特征的低秩结构,但是仅仅考虑了一阶的时序动态(temporal dynamics)。本文提出了Time Product Fusion Network (TPFN),将模态以及时序动态的高阶(high-order)考虑在内。并且证明了低秩结构可以通过约束潜在因素的Frobenius norm实现。3 在随机化或者结构化.原创 2021-05-03 11:18:37 · 323 阅读 · 0 评论 -
CurriculumLabeling: Revisiting Pseudo-Labeling for Semi-Supervised Learning
Abstract1 本文聚焦于在半监督学习中伪标签的使用。即用到了标注的数据,也用到了未标注的数据。2 目前由于一致性正则化方法(consistency regularization method)的发展,这种方法主要是对未标注和标注后的数据施加各式各样的自监督损失以及标准的监督损失,伪标签逐渐的没那么流行3 本文验证了两个使得伪标签获得不错效果的主要因素:- curriculum learning- avoiding concept drift by restarting model para.原创 2021-04-14 14:18:32 · 1412 阅读 · 1 评论 -
2020-WWW-Heterogeneous Graph Transformer
AbstractMethod本文提出了异构图transformer,主要思想是使用异构图中的meta relation参数化(parameterize)异构交互注意力,消息传播以及聚合的参数矩阵。1 整体架构:目标:聚合源节点s的信息形成一个具有上下文表示的目标节点t。可以将这个过程分为三个阶段:Heterogeneous Mutual AttentionHeterogeneous Message PassingTarget-Specific Aggregation2 通常基于原创 2021-03-24 00:24:00 · 758 阅读 · 1 评论 -
Learning Modality-Specific Representation with Self-Supervised Mulit-Task Learning for MSA
自监督多任务学习用于多模态情感分析Learning Modality-Specific Representation with Self-Supervised Mulit-Task Learning for Multimodal Sentiment AnalysisAbstract多模态数据集只是给三个模态定一个统一的标签,要对每一个单独模态标注非常费时费力,但是每一个单独模态的有不同的信息。本文基于自监督学习(self-supervised learning)提出了标签生成模块用于获得每一个单独原创 2021-03-15 16:25:04 · 2529 阅读 · 0 评论 -
Modality to Modality Translation:An Adversarial Representation Learning and Graph Fusion Network
题目:Modality to Modality Translation:An Adversarial Representation Learning and Graph Fusion Network for Multimodal Fusion本文的主要方法是用到了GAN(对抗生成网络)以及图的融合两种方法,分为两个阶段,以融合做回划分,在融合之前,使用GAN学习representation,得到较好的表示之后,第二个阶段就是对于多个模态进行融合。Abstract学习不同模态的联合嵌入空间对于多模态融原创 2021-03-09 21:27:13 · 839 阅读 · 2 评论 -
MTGAT:Multimodal Temporal Graph Attention;图卷积网络用于多模态情感分析
摘要多模态数据呈现复杂的多关系以及时序交互的特点,从这样的数据中学习具有挑战性本文提出了MTGAT。它是基于图以及具有可解释性的神经网络模型,可以利用这个框架解决多模态序列数据主要包括两个部分:构建以及处理。首先将非对齐的多模态序列转换成具有异构型(heterogeneous)节点以及边的图,这个过程可以随着时间的推移捕获到不同模态之间的交互。其次,使用多模态时序注意力以及动态pruning和read-out来有效的对这个图进行处理。通过在流行的benchmark上进行验证,获得了情感分析以及情绪原创 2021-03-05 21:34:49 · 2364 阅读 · 0 评论