Improving Multimodal Fusion with Hierarchical Mutual Information Maximization for Multimodal Sentiment Analysis
代码
https://github.com/eclare-lab/Multimodal-Infomax.
一、互信息是什么?
互信息是信息论里的原理,是联合分布与边缘分布 的相对熵,公式如下
E表示联合分布的统计平均值,即信源的不确定性等于每个符号的不确定性的统计平均值
二、模型构建
2.1 问题定义
X表示文本,图像,语音(t,v,a)三种输入模态,Lm是每种输入模态系列长度,dm是特征向量维度。
本文目标是由输入x预测输出y,y能够反映出情绪强度
2.2 总体思路
2.3 输入模态编码
文本用BERT编码,其他两种模态用SLSTM编码
2.4模式间互信息最大化
两个模态为一组,分成两组,用公式(3)计算最大互信息。因为text贡献更大,因此每组都含有text,也就是公式中的X,而visual和acounstic是Y。其中q(y/x)用多元高斯分布来表征,通过计算(4)损失函数最小化来预测多元高斯分布的均值和方差。
(4)中L是损失函数,N是batch size。最小化损失函数更新多元高斯分布神经网络的参数。使得条件概率q(y/x)最大化,互信息也就越大。
公式(3)中还剩下H(Y)未知,用高斯混合模型求解。每一类用两个正态分布表示(如(5),一个正极性一个负极性)
然后计算多变量正态分布的信息熵如(8)
![在这里插入图片描述](https://img-blog.csdnimg.cn/1daa818a1e994e27868c3a5fc54 表示第一个正太分布的协方差。
互信息下界的最大化的损失函数等于两组数据相加(tv的互信息+ta的互信息),如公式(9)
注意:这里的LBA是第一个损失函数。互信息最大化使得每个模态的表征更加准确。
2.4 融合阶段的互信息最大化
目标:计算输入模态X和融合结果Z之间的互信息,使其最大化。即求得F的最优表示函数文章采用从Z预测X的反过程。s 是输入和输出之间相似度的度量,用互信息来衡量相似度。G是参数为o的神经网络,能够由Z预测到h,每个模态的损失函数如(11)
这一层级总的损失函数是:
根据(12)优化F并预测输出的y,然后计算损失(13)
最后总的损失函数为(14)
总结
1.CPC编码没看懂
2.互信息加个负号就是损失函数?(9)