TransModality : Une méthode de fusion bout-en-bout basée sur le Transformer pour l'analyse multimodale du sentiment

L'analyse multimodale des sentiments est un domaine de recherche important qui vise à prédire la tendance émotionnelle d'un locuteur à partir de caractéristiques extraites des modalités textuelles, visuelles et acoustiques. Le défi central réside dans la méthode de fusion des informations multimodales. Bien qu'une grande variété de méthodes de fusion ait été proposée, peu d'entre elles explorent les corrélations subtiles entre les modalités à l'aide de modèles de traduction end-to-end. Inspirés par les récents succès du Transformer dans le domaine de la traduction automatique, nous proposons une nouvelle méthode de fusion, nommée TransModality, pour traiter la tâche d'analyse multimodale des sentiments. Nous supposons que la traduction entre modalités contribue à une meilleure représentation conjointe de l'énoncé du locuteur. Grâce au modèle Transformer, les caractéristiques apprises intègrent à la fois l'information provenant de la modalité source et celle de la modalité cible. Nous validons notre modèle sur plusieurs jeux de données multimodales : CMU-MOSI, MELD et IEMOCAP. Les expériences montrent que la méthode proposée atteint des performances de pointe (state-of-the-art).