回归标签太粗、增强又破坏融合：用潜在情感分组做测试时自监督

英文题目：Group-aware Multiscale Ensemble Learning for Test-Time Multimodal Sentiment Analysis

会议身份：conference:aaai:2026:conference-paper-id:39782

✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#对比学习 #多模态学习 #测试时自适应 #语音情感识别

评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 0.6/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Kai Tang：机构信息未能从会议 PDF 纯文本可靠映射
• Yixuan Tang：机构信息未能从会议 PDF 纯文本可靠映射
• Tianyi Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Haokai Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Qiqi Luo：机构信息未能从会议 PDF 纯文本可靠映射
• Jin Guang Zheng：机构信息未能从会议 PDF 纯文本可靠映射
• Zhixin Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Gang Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Haobo Wang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

多模态情感分析以文本、视频与音频为输入并回归连续情感强度，难点在于源域训练的融合表示在目标域偏移下语义纠缠，且回归任务缺乏分类概率监督可用的伪标签机制。本文提出群组感知多尺度集成学习（Group-aware Multiscale Ensemble Learning，GMEL），先用冯·米塞斯-费希尔（von Mises-Fisher，vMF）混合分布建模隐情感群组并估计群组归属，再以vMF对比学习加k近邻对比约束拉开群组表示，随后经投影头多层重丢弃扰动生成多尺度增强特征并做特征拼接与一致性正则，端到端更新投影头以对齐偏移样本。该链条把离散化群组发现作为回归任务的自监督代理，同时避免输入级模态删除对融合对齐的破坏。在5组跨数据集偏移的10种骨干设置下，GMEL相对最强基线CASP平均提升准确率2.53个百分点、F1值3.70个百分点并降低平均绝对误差0.05，在30个指标中24项最优。该结论限于MOSI、MOSEI与SIMS三个评测集及离线可访问全部目标数据的测试时自适应设定，未验证在线流式与强噪声缺失模态的外推。原文未披露完整训练时长与部署成本，计时对比排除了CASP。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，为什么测试时会变差？

这篇论文研究的不是单条语音的识别或合成，而是多模态情感分析。输入是一个话语片段同时带有的 3 路信号：文本词序列、视频人脸行为特征、音频声学特征，输出是一个连续情感强度分值。在 MOSI 与 MOSEI 上分值范围是负 3 到正 3，以 0 为界可转为正负二分类；在 SIMS 上是归一化的负 1 到正 1。刚进入语音音频领域的同学可以直接把任务理解为回归：模型先由编码器把 3 模态变成融合表示，再由投影头输出一个实数，训练时用预测值与人工标注的均方或绝对误差优化。

论文要解决的矛盾发生在部署阶段。源域训练假设训练与测试同分布，但在真实场景中说话人、话题、语言、录制条件都会变化，例如从英文 MOSI 转到中文 SIMS，或从小规模 MOSI 转到大规模多话题 MOSEI。此时直接把源模型搬到目标域，融合表示会把细微情感线索混在一起，数值回归只告诉正负，丢失了惊讶、喜悦、厌恶、悲伤等细粒度概念之间的关系。论文把这种现象称为回归形式带来的表示瓶颈。另一个矛盾是增强与融合的冲突。

很多自适应方法靠丢掉一个模态或做模态专属增强来增加鲁棒性，但多模态的融合层是在完整 3 模态上预训练的，测试时融合参数不能改，丢模态等于破坏了对齐前提。因此目标被限定为测试时自适应：在拿不到源域数据、拿不到目标标签的条件下，只用无标签目标数据调整模型，且要同时保留模态完整性和回归所需的平滑过渡。

已有路线各解决了什么，为什么不能直接套用？

按同输入、同目标、同监督来对照，论文梳理了 3 条线。第一条是多模态情感分析本身，分为早期融合与晚期融合。早期融合把 3 模态特征拼接或经注意力变成统一表示再送入投影头，晚期融合先各自建模再在决策层合并。文中还提到层次对齐、跨任务共享、上下文知识等改进，但共同前提是训练测试同分布，因此在跨数据集偏移下直接评估会明显掉点。第二条是单模态测试时自适应，例如只更新归一化层的熵最小化、结合伪标签的表示对齐、图学习生成伪标签等。

这类方法大多为分类设计，依赖概率输出做伪标签筛选，无法直接搬到输出为实数的回归任务。第 3 条是多模态测试时自适应与回归自适应。多模态方向有做模态内与模态间伪标签的，也有设计鲁棒损失与注意力融合的；回归方向多集中在视觉空间对齐。只有 CASP 是明确为多模态回归设计的测试时方法，它先做对比特征对齐，再做一致性伪标签精炼。

论文指出 CASP 是 2 阶段离线框架，第 1 阶段的特征误差会传给第二阶段的伪标签，且特征精炼与标签生成解耦，缺少协同。GMEL 与 CASP 处于同一离线设置，即适配时可以看到全部目标数据，但改为端到端地用潜在分组结构同时约束表示学习与一致性，避免 2 阶段误差传递。附带说明，原文把大语言模型的上下文学习讨论放在附录，正文 6 个基线不含大模型，因此主比较仍是可运行的传统多模态回归适配策略。

测试时到底能看什么，能改什么，怎么算对？

以单个样本为例固定符号。记第 i 个样本的多模态输入为文本、视频、音频模态构成的输入组合，源域带有配对标签，目标域仅有输入而无标签。模型由编码器与投影头构成，输出为投影头作用于编码器表示后的实数预测值。源域预训练阶段同时优化编码器与投影头参数。测试时适配阶段冻结编码器参数，仅更新投影头参数，优化目标为无须目标标签的自监督目标。

原文明确采用离线测试时适配设置，即适配时可访问完整目标集并分批迭代，而非逐样本在线更新。评估沿用情感分析常用指标：以 0 为阈值的分类准确率、兼顾精度与召回的调和平均指标、以及对连续分值误差取平均的平均绝对误差。前 2 项越高越好，末项越低越好。跨域方向共 5 个，分别为 MOSEI 到 SIMS、MOSI 到 SIMS、MOSI 到 MOSEI、SIMS 到 MOSI、SIMS 到 MOSEI，不设置 MOSEI 到 MOSI 方向，因后者为前者的扩展子集，该方向不构成有意义的偏移。

需要提醒初学者：准确率与调和平均指标在 0 阈值化后计算，侧重分类侧面，平均绝对误差为回归主指标，方向不同，不可互相替代。论文报告的平均增益为对 10 个骨干与方向组合相对最强基线的绝对改进，而非相对百分比，其中分类准确率平均提升 2.53%，调和平均指标平均提升 3.70%，平均绝对误差平均降低 0.05。

GMEL 把样本分成哪两条路，最后在哪里汇合？

GMEL 的全景可以按 1 次目标域前向来读。左侧是完整 3 模态输入，不做丢模态。向右分出两条相同的投影路径，区别只是 dropout 掩码不同，由此得到两组多尺度特征集合。向下还有一条概念路：把粗数值标签背后假设的细粒度概念显式化为超球面上的潜在分组，再用分组概率指导表示学习。两条路在损失处汇合：集成后的特征计算分组对比损失，2 次增强的分组概率计算一致性正则。

直观理解是，一路负责在不破坏融合的前提下制造差异，另一路负责告诉模型差异不应改变情感分组归属。论文强调分组不是硬聚类边界，因为回归任务本质要求不同情感程度之间平滑过渡，可视化也应呈现连续弧形而非孤立团块。下面的框架图把上述四块放在一张图中，建议按输入到输出的主箭头先走一遍，再看语义分支与增强分支的汇合点。

为理解两路如何协同，先看整体框架中从目标域到置信过滤再回到分布估计的闭环，这是后文 2 个组件的组织依据。

看图路径： 1. 先从左侧目标域音频文本视频框出发，沿 R-Drop 箭头看两条并行多层分支；2. 再看中间 Ensemble 把 Z1 至 Z3 拼接后接密度估计与置信过滤的位置；3. 接着看下方细粒度概念经分布建模落到超球面潜在分组语义的过程；4. 最后确认 Lcon 回指集成特征、Lreg 约束上下两个密度估计的作用方向

论文图 2。原论文 Figure 2：“Overall framework of GMEL. We capture latent group semantics of sentiment to improve robustness of representations under domain shifts.”。

上图左侧虚线框表示适配时可见的是无标签目标 3 模态，中间两叠层表示 2 次 R-Drop 前向得到的多层特征，右侧密度估计与置信过滤表示对分组参数的估计与高置信筛选，下方从细粒度概念到超球面表示分组假设的形式化。关键是 2 次增强的集成特征同时受分组对比损失约束，而 2 次密度估计之间还有一致性约束，分布估计结果又回过来更新分组参数，形成迭代精炼。下一节把分组建模与增强集成拆开讲计算细节。

潜在分组如何从数值标签中挖出自监督？

先解释白话。潜在情感分组指模型表示空间中隐含的细粒度情感概念，论文假设源模型经粗标签训练后已大致编码了这些结构，测试时不是重新发现全新分组，而是强化这种部分细粒度信息，使偏移样本重新对齐到原有概念。von Mises-Fisher 混合分布是正态分布在超球面上的对应物，每个分量由均值方向与集中度描述，角度越集中表示组内语义越一致。实现上先把表示约束到单位超球面，这与对比学习常用做法一致。

接着用核密度估计计算样本属于某组的置信度，其形式涉及归一化函数在原集中度与融合样本后的新集中度之比，温度系数控制锐度。对每个分组，只保留归属概率最高且超过该组前百分之 R 阈值的样本，R 在适配过程中逐渐增大，起到课程筛选作用。分组数 C 不是人工固定死的，原文做法是先用较大的初值 50 做 k 均值，再按平均簇大小过滤掉过小碎簇，剩余簇数作为 C，在 3 数据集上分别得到 18、19、19。

分布参数更新只用 1 阶样本矩，可做批量滑动平均，无需存全量特征：先更新组均值，再按闭式公式得到方向与集中度。最后把分组先验与密度比代入对比损失，并叠加 k 近邻对比项，以缓解早期概率信号质量低的问题。

测试时自适应 × 多模态情感分析： 测试时自适应负责在无源域数据、无目标标签且编码器冻结的条件下，只更新投影头以适应目标分布；多模态情感分析负责把文本、视频、音频融合成连续情感分值。两者搭配的原因是源域融合层已学到完整模态的对齐方式，适配时不能破坏它，因此 GMEL 把自适应的监督来源改为潜在情感分组的一致性，而不是依赖分类伪标签或丢模态增强。

潜在情感分组 × von Mises-Fisher 混合分布： 潜在情感分组分工是给出细粒度概念假设，例如惊讶与喜悦偏正、厌恶与悲伤偏负，且其相对结构跨域更稳定；von Mises-Fisher 混合分布分工是在单位超球面上用均值方向 mu 和集中度 k 描述每个分组的角分布。搭配理由是回归标签只有数值正负，无法直接做分类式伪标签，而超球面上的角度集中天然刻画组内语义一致，组合后可用分组归属概率 rho 产生自监督信号。

沿一个样本看：集成特征进入密度估计得到它属于各分组的概率，高置信样本参与更新组均值与集中度，更新后的分布又给出更准的分组概率用于下一批对比学习。需要指出，原文未给出温度、R schedule 与阈值的完整数值表，复现时需以代码或附录为准，这里不从模型名推定。

多尺度重 dropout 如何做到增强又不丢模态？

白话先行。多尺度重 dropout 指对同一融合表示，让它 2 次经过投影头，每次在不同深度使用不同的 dropout 掩码，从而在不改输入的情况下得到多层扰动。特征集成指把投影头各层输出拼接成一个长向量再算损失，而不是只用最后一层。自一致性正则指要求 2 次扰动得到的分组概率分布接近，用 KL 散度衡量。原文的安排理由很直接：融合层在源域见的是完整模态，随机模态掩码会破坏对齐。

回归迁移又对特征尺度敏感，只看最后一层不稳定。因此把增强搬到投影头内部，既保留输入完整性，又能捕捉跨模态协作的分组语义。具体计算是：编码器输出先冻结得到融合特征，2 次前向各得到一组分层特征，分别拼接为两个集成向量，各自计算分组对比损失求和，同时对两者的分组概率算 KL。消融中用随机模态掩码替代该策略作为对照，用于验证保持模态完整性的价值。

多尺度重 dropout × 特征集成： 多尺度重 dropout 分工是利用网络中 dropout 层的随机性，对同一输入做 2 次前向，在投影头不同深度采样不同掩码，得到不破坏输入模态完整性的扰动；特征集成负责把各层特征拼接为 zi 与 z 撇，用于计算对比损失和一致性。搭配原因是固定融合层要求输入保持完整模态，而回归迁移对特征尺度敏感，组合后同时保留完整模态交互并感知多尺度变化。

对比学习损失 × 自一致性正则： 对比学习损失分工是把样本拉向其高置信潜在分组、推离其他分组，包含基于 vMF 概率的 LvMF 和基于近邻的 LkNN 两部分；自一致性正则分工是用 KL 散度约束 2 次 dropout 增强得到的分组概率分布一致。搭配原因是早期分组概率质量不高，kNN 提供特征级补充，而 KL 防止 2 次扰动给出矛盾分组，组合后形成既判别又稳定的目标域表示。

同样沿样本走：同一输入 2 次前向得到两份集成表示，若它们被判到不同分组，一致性项会惩罚这种分歧，迫使投影头学到对 dropout 扰动不变的分组结构。原文未报告 dropout 率与层数的敏感性细节在正文，主文只在附录提及做了补充消融，因此本节不猜最优率。

源域训练与目标域适配各更新什么？

训练分两段，更新对象不同。源域预训练阶段，编码器与投影头都可更新，使用 AdamW 优化器，学习率千分之一，文本用 BERT 类 768 维词嵌入，音频用 LibROSA 特征，视频用 OpenFace 提取，骨干为 Transformer 编码器，分别验证早期拼接融合与晚期决策融合两种结构。

目标域适配阶段，编码器冻结，只更新投影头，使用带预热与权重衰减的 AdamW，晚期融合学习率千分之五，早期融合千分之一，批量 64，共 15 轮，目标数据分批迭代，每批内先做 2 次增强前向，再估计分组概率、筛选高置信样本、滑动平均更新分布参数，最后最小化集成对比损失加一致性正则。伪代码层面是双层循环：外层轮次，内层批次，批内按组更新均值方向与集中度。

原文还做了一个扩展验证：把分组学习也用于源域预训练，结果显示源域内提升很小，但在未见目标域上的零样本泛化提升明显，支持源模型已隐含细粒度概念、强化它有助于抗偏移的解释。需要明确的缺项是：投影头具体层数、dropout 位置、温度与 R 初值在正文未完整列出，复现需核对附录与代码；资源状态方面本次未发现可验证的开源链接，因此不声称代码已公开。

数据、基线与公平条件是什么？

数据侧用 3 个公开多模态情感数据集。MOSI 是 93 个英文 YouTube 视频、89 位说话人、话语级负 3 到正 3 标注；MOSEI 是其扩展，超 65 小时、1000 人以上说话人、250 以上话题、3228 视频与 23453 标注段；SIMS 是中文 60 个视频、2281 自然段、归一化负 1 到正 1 标注。特征抽取与基线保持一致，以保证比较公平。

基线共 6 个可运行策略：源模型直接评估、自训练用源模型伪标签重训全网、只更新归一化层的参数高效自训练、基于评分组的组对比但去掉图像专用排序损失、经置信度调制跨模态注意力的可靠融合、以及 2 阶段多模态回归自适应 CASP。大模型上下文学习只在附录讨论，不计入主表。实现上每个设置跑 5 个随机种子取平均，批量 64、15 轮，单卡 RTX A5000 计时。评价指标方向已在问题节说明。

下表把可核对的训练与估计条件整理为宽表，重点是学习率分骨干设置、批量轮次与分组数估计，便于复现时先对齐。

下表提出的问题是复现前需要固定哪些可执行条件，公平性要求是特征抽取与骨干与基线一致，指标方向在结果节再判定。

上表后需强调代价与边界：批量 64 与 15 轮是原文固定预算，学习率按骨干区分，5 个种子平均意味着单次运行方差未在正文展开；分组数 18 至 19 是估计结果而非人工最优，敏感性另见消融；硬件计时只比较单轮时间，不含 CASP 2 阶段总开销，因此不能据此推断端到端 wall-clock 全胜，还需看收敛轮次。

主结果在哪些方向上赢了，哪些没赢？

主结果覆盖 5 种偏移乘以两种骨干共 10 组，每组报告准确率、F1 与平均绝对误差。原文报告 GMEL 在 30 个指标中 24 个最优，其余 6 个与最优差距较小；相对最强基线的平均绝对增益为准确率 2.53 个百分点、F1 为 3.70 个百分点、平均绝对误差降低 0.05。晚期融合整体优于早期融合，更适合该任务的测试时适配。图 1 给出 MOSI 到 MOSEI 的特征分布直观解释，左为基线，右为 GMEL，颜色表示情感分值，观察重点是分布是否从断裂混杂变为连续可分。

为判断回归表示是否同时保持平滑与可分，先看下面两面板散点在偏移下的形态差异，颜色条从负到正代表情感强度。

看图路径： 1. 先确认左右两面板横纵轴范围与右侧颜色条代表情感分值从负到正；2. 再比较左侧基线散点是否呈多段弧形断裂且颜色混杂；3. 最后观察右侧 GMEL 散点是否呈连续 U 形且颜色沿弧线渐变过渡

论文图 1。原论文 Figure 1：“Comparison of feature distribution on MOSI → MOSEI. The representation distribution learned by GMEL is smoother and more discriminative.”。

上图左面板散点呈多段弧形且颜色交织，说明基线在偏移下把不同情感程度混在一起；右面板呈更完整的 U 形连续带，颜色沿弧线从一端负值渐变到另一端正值，中间经零附近过渡，支持原文所说的更平滑且更具判别性。但需注意这只是 MOSI 到 MOSEI 1 个方向的可视化，不能推广到中英跨语言方向；且像素无法读出精确数值，判断仅限形态与颜色渐变趋势。下表把原文明确给出的平均增益与关键设置整理为可核对宽表，所有数字与单位保留原文写法，百分点与相对百分比不混用。

下表要回答的是在公平特征与双骨干下，GMEL 相对最强基线的可部署收益是多少，指标方向为准确率与 F1 越高越好、平均绝对误差越低越好。

表后解释主要收益与代价：收益是跨语言与跨规模方向均有平均提升，且晚期融合下提升更稳；代价是离线假设要求适配时能看到全部目标数据，不适用于严格在线流式场景；反例是 30 个指标中有 6 个未最优，原文未逐项列出未胜出方向，因此不能声称每组每指标全胜，总体趋势不等于每组成立。

拿掉分组、集成与增强后，哪块最痛？

消融在 MOSI 到 MOSEI 与 MOSEI 到 SIMS 两个代表方向上进行，指标仍是准确率、F1 与平均绝对误差。去掉潜在分组发现并退回标准对比损失后，两方向全面掉点，说明分组概率提供的自监督是主要来源；把 vMF 换成高斯混合也有下降，支持超球面角分布假设更贴合该表示空间。去掉特征集成而只用最后一层时，平均绝对误差恶化比准确率更明显，符合回归对尺度不稳定的敏感性；去掉一致性正则在 MOSEI 到 SIMS 上掉点更明显，原文解释为 MOSEI 规模大、语义丰富，本身正则更强。

去掉数据增强或改用随机模态掩码均变差，说明保持模态完整性的重 dropout 比丢模态更适合固定融合层；去掉 k 近邻对比项也有小幅下降，说明早期分组信号需特征级补充。图 3 进一步验证融合方式的一般性，比较拼接与注意力在五方向上的表现。

为验证方法是否依赖特定融合实现，下图比较拼接与注意力两种融合在相同适配下的准确率与 F1，观察 GMEL 是否在两种结构下都保持优势。

看图路径： 1. 先确认横轴五种跨数据集方向与纵轴准确率刻度；2. 再逐组比较深色拼接柱与浅色注意力柱的高低关系；3. 最后注意哪一组注意力提升最大、哪一组两者几乎持平

论文图 3。原论文 Figure 3：“Comparison between different modality fusion methods.”。

上图左右两面板分别对应准确率与 F1，横轴为 5 种跨域方向，深色为拼接、浅色为注意力。可见注意力在多数方向上高于拼接，尤其在 SIMS 到 MOSI 等跨语言方向提升明显，但在 MOSEI 到 SIMS 方向两者接近，说明融合容量带来上限提升，但 GMEL 的相对优势不依赖某一种融合。为公平，原文主表仍用标准拼接以对齐基线。下表整理消融关键数字，保留基线与可运行变体，便于定位各组件贡献。

下表要回答的是每个组件缺失时的具体损失，条件是同方向同骨干，指标方向与主结果一致。

表后需指出未胜出与边界：消融只做两方向，未覆盖全部五方向；分组数 C 在 5 到 30 范围内均接近最优，以 20 附近相对最好，与估计的 18 至 19 一致，支持估计方法的有效性，但 C 过大过小仍有波动；计算开销上 GMEL 单轮时间低于注意力方法、与常规微调相当，但因排除 CASP 2 阶段总时间，不能推断总训练成本最低。

哪些结论还没被验证，使用时要注意什么？

按证据等级区分，论文直接报告的是 3 个数据集、双骨干、五方向上的平均提升与消融掉点；有限解释的是源模型已隐含细粒度概念、超球面分组跨域更稳定，这由零样本与可视化支持，但未做因果验证；未验证推测是该结构可推广到其他多模态回归任务，原文未测。缺失项需明确：未报告误判率、延迟、推理帧率与实际部署成本，未测量每步在线适应的稳定性，未给出温度、R schedule、dropout 率的完整敏感性正文表，未提供可验证的开源链接，因此不能声称代码已公开或系统可直接运行。

相关性不等于因果：注意力融合整体更高不能证明注意力本身解决偏移，可能是容量与数据规模共同作用。适用边界是离线可访问全量目标数据、编码器冻结、融合参数不改，若只能逐样本在线到达或必须更新编码器，结论不直接适用。训练资源与推理开销应分开讨论，单轮时间相当不等于总时间最优，更不等于推理更快。

要复述与复现，先固定哪几步？

复现先做四件事。第一，按原文固定特征：英文用 BERT-base、中文用中文 BERT-base 取 768 维，音频用 LibROSA，视频用 OpenFace 2.0，Transformer 编码器分早期拼接与晚期决策两套骨干。第二，先在源域训好编码器与投影头，学习率千分之一，再冻结编码器。第三，在目标域做分组数估计：初值 50 做 k 均值，按平均簇大小过滤，得到类似 18 至 19 的值，敏感性可扫 5 到 30 验证是否在 20 附近最优。

第四，适配时批量 64、15 轮，晚期融合学习率千分之五、早期千分之一，AdamW 带预热与 0.01 权重衰减，每批 2 次重 dropout 前向、估计分组概率、高置信筛选并滑动平均更新分布参数，最小化集成对比损失加 KL 一致性，5 个种子取平均。检验点是 MOSI 到 MOSEI 的 U 形连续分布是否出现，以及去掉分组后是否明显掉点。若未出现，优先检查表示是否归一化到超球面、R 筛选是否过严、dropout 是否未真正产生 2 次差异，而不是直接调大模型。

还需补的验证是跨语言方向的误差分布、在线小批量下的稳定性、以及与 CASP 在相同总时间预算下的比较，这些在原文未完整覆盖。

何时值得尝试这个方法？

当你的任务也是多模态回归且测试分布会变，同时融合层已在完整模态上训好不能动，GMEL 值得尝试：它不丢模态、不依赖分类伪标签，而是用潜在分组的一致性做自监督，并用投影头内部扰动兼顾多尺度稳定性。论文特有的误解需要澄清：潜在分组不是硬分类，回归要求不同程度间平滑过渡，因此可视化呈连续渐变才是正确形态；随机丢模态看似增强，实则破坏源域对齐，在该设置下不如重 dropout。

晚期融合整体更高不代表早期融合无用，主表用拼接只是为了公平对齐基线。若你的场景是严格在线、无法看到全量目标数据，或需要更新编码器，则需另做验证，不能直接套用离线结论。总体上，这项工作把心理学中效价唤醒支配空间的细粒度直觉，转为超球面分布的可计算约束，为多模态回归的测试时自适应提供了一个可复述的端到端基线。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 aaai-2026 论文汇总