Apprentissage d'une représentation hyper-modalement adaptative guidée par le langage pour l'analyse multimodale du sentiment

Bien que l’analyse multimodale du sentiment (MSA) s’avère efficace en exploitant les informations riches provenant de plusieurs sources (par exemple, langage, vidéo et audio), les informations potentiellement sans rapport avec le sentiment ou conflictuelles entre modalités peuvent entraver une amélioration ultérieure des performances. Pour atténuer ce problème, nous proposons le modèle Adaptive Language-guided Multimodal Transformer (ALMT), qui intègre un module d’apprentissage hyper-modale adaptatif (AHL) afin d’apprendre une représentation supprimant les informations non pertinentes ou conflictuelles à partir des caractéristiques visuelles et audio, sous la guidance des caractéristiques linguistiques à différentes échelles. Grâce à cette représentation hyper-modale obtenue, le modèle parvient à construire une représentation complémentaire et conjointe via une fusion multimodale, permettant une MSA efficace. En pratique, ALMT atteint des performances de pointe sur plusieurs jeux de données populaires (par exemple, MOSI, MOSEI et CH-SIMS), et une abondance d’expérimentations d’ablation démontre la validité et la nécessité de notre mécanisme de suppression des incohérences et des conflits.