MultiBench多模态表征学习的多尺度基准

MULTIBENCH，一个系统而统一的大规模多模态学习基准，涵盖15个数据集、10种模式、20个预测任务和6个研究领域¹。

引言 #

背景：

• 语言和视觉领域多模态学习发展不错，但是其他领域欠缺
• 现在的基准评价关注性能，没有量化缺点包括时间空间复杂度，由于不完美模态导致的鲁棒性降低，需要在性能、鲁棒性、复杂度取得平衡

提出multibench就是解决以上问题：

• 扩充收集各领域数据集、数据模态
• 量化复杂度
• 提出标准流程评价对噪声和缺失模态情况下的鲁棒性

MultiBench是一个端到端的过程，包括数据预处理、数据集拆分、多模态算法、评估指标和交叉验证。

• 开发工具包MultiZoo
• 可以用于workshop、教学等

多尺度多模态基准 #

第一版集中在多模态融合，对于多模态翻译等问题未来版本可能涉及

数据集 #

介绍了6大领域15个数据集，表1

• 情感计算（affective computing）
• 医疗：时变和静态变量的整合使用
• 机器人
• 金融
• 人机交互
• 多媒体

  

评价标准 #

性能：

• regression: MSE, MAE,
• classification: F1-score, AUPRC

复杂度：

• data size in bits
• number of model parameters
• time and memory resources on CPU and GPU

鲁棒性：

• 单模态独有噪音：对图像、音频等单独处理
• 考虑多模态整体的不完善：比如缺失模态等

MultiZoo：多模态算法集合 #

涵盖实现multibench整个过程中的算法

数据预处理 #

• WordAlign算法
  • 将各模态信息调整到统一粒度

融合范式 #

• 早期和晚期融合
  • EF，LF
• 多模态张量: 多模态互补
  • Tensor Fusion
  • Low-rank Tensor Fusion
• 多模态乘法交互: 多模态交互
  • MI-MATRIX
  • MI-VECTOR
  • MI-SCALAR
• 多模态门控
  • NL GATE: 自注意力机制
• 时序注意力模型
  • MULT: 多模态Transformer
• 网络架构搜索
  • MFAS

优化目标 #

除了标准的监督损失函数，纳入一些新提出的目标函数

• CCA
• REFNET
• MFM
• MCTN

训练过程 #

• Gradient Blending来计算融合的权重
• Regularization by Maximizing Functional Entropies

实验 #

• 泛化性能
  • 目前的方法表现出高方差，没有放之四海而皆准的模型，特别是对于未被研究的模式和任务。
  • 后期融合表现比较均衡
  • 有些融合方法是专门为2模态设计，有些在2/3模态表现不好
• 单模态与多模态的权衡
• 性能与复杂度的权衡
• 性能与鲁棒性的权衡

结论 #

一个大规模的基准，统一了以前在多模态研究中互不相干的工作，重点是易用性、可及性和可重复性。

未来拓展 #

• 其他的多模态问题
• 新的评价指标
• 多模态迁移学习或者协同学习
• 多模态多任务学习

思考 #

MultiBench把以前多模态研究中使用的公开数据集，算法，评价指标等都统一在了一个框架下，期望标准化多模态学习过程，并且能将不同的算法模型在其他模态、任务中进行比较。大而全的框架确实能为各类多模态任务提供一个baseline，但是各专业领域内的多模态模型应该是存在一些差异的，就像我们很难期待一个医生能掌握律师干的事情，然而，人工智能的发展确实很快，比人还强大的通用人工智能应该也会实现。