Multimodal Machine Learning: A Survey and Taxonomy/多模态机器学习综述

目录

1.介绍（introduction）

2.历史回顾（review）

3.表示（representation）

4.映射（Translation/Mapping）

5.对齐（Alignment）

6.融合（Fusion ）

7.联合学习（Co-learning）

8.结论（conclusion）

---

以下是本人每一章节整理的笔记：

1.介绍（introduction）

论文总体介绍了多模态的五个方向/挑战：表示（representation）、映射（Translation）、对齐（Alignment）、融合（Fusion ）、联合学习（Co-learning）。

2.历史回顾（review）

对多模态应用领域进行了简单历史回顾：视听语音识别、多媒体内容检索、理解人类行为等方向应用进行简单的描述。

以下部分就开始对五个挑战/方向进行描述：

3.表示（representation）

定义：就是找到多模态信息的统一表示，在计算机中一般是向量或张量

表示方法	定义	面临困难	实现方法	适用情景	应用领域
联合表（joint）	将各个模态的数据源映射到同一个空间中进行表示	1.如何把不同模态的数据结合起来 2.如何处理不同层（level）的噪音 3.如何处理丢失的数据	神经网络 概率图模型 Sequential模型	输入所有模态数据来得出结果，如输入语音和图片来得出识别结果	视听语音识别、多模态手势识别
协同表示 （coordinated）	分别将各模态投影到独立的空间中表示，但是这些空间有约束关系		相似度模型 结构化模型	输入一种模态来得出结果，如输入一张狗的图片，输出“狗”的文本	多模态检索和翻译、grounding、零样本学习

4.映射（Translation/Mapping）

定义：映射就是把一个模态的信息映射成另一个模态的信息

映射方法	定义	面临的困难	实现方法	应用领域
基于例子模型 （example-based）	在多模态之间建立字典，形成对应关系	由于答案通常非常开放和主观，难以实现评估，如一张图片的描述文字可以有多种	基于检索模型 Combination-based模型	媒体字幕生成 视频描述 文本生成图片
生成式模型 （generative）	通过训练，让模型产生映射能力		基于语法模型 编码解码模型 连续生成模型

 

5.对齐（Alignment）

定义：寻找多种模态的子成分之间的关系和对应，如图片中的狗对齐文本中的狗

对齐方法	定义	面临的困难	实现方法
显式对齐 （explicit）	显式对齐就是对齐任务的子结构，如菜谱步骤和视频的对齐	1.很少有显式对齐标注的数据集 2.在模态之间设置相似度指标很困难 3.存在多种对应关系以及不是每种模态的元素在另一模态都有对应	无监督方法 (弱)监督方法
隐式对齐 （implicit）	隐式对齐用作另一个任务的中间步骤，如文本检索图像，单词和图像区域的对齐		图模型 神经网络

6.融合（Fusion ）

定义：将多个模态的信息整合到一起来预测结果

融合方法	定义	面临的困难	实现方法	适用场景	应用领域
无模型方法	不依赖与某个特定的机器学习算法	1.信号可能不是时序对齐的（密集连续的信号和稀疏的事件），比如一段视频只对应一个单词 2.每种模态在不同时间点可能会出现不同类型和不同层次的噪音	特征融合 决策融合 混合融合	它们几乎可以使用任何单模分类器或回归器来实现	多模态说话者（speaker）识别 多媒体事件检测
基于模型的方法	显式的在构造中完成融合		多核学习 图模型 神经网络	在数据量有限或者模型的可解释性很重要的时候，多核学习和图模型更好	物标分类 表情识别 视听语音识别

7.联合学习（Co-learning）

定义：通过数据源丰富的模态来辅助数据源稀少的模态进行学习

按数据分类	定义	实现方法	应用领域
平行数据	来自相同的数据集，实例之间有直接的对应关系	Co-training Transfer learning	视觉分类 动作识别 视听语音识别 语义相似度估计
非平行数据	来自不同的数据集，没有重叠的实例，但在一般类别或概念重叠	Transfer learning Conceptual grounding Zero shot learning
混合数据	实例或概念由第三种模式或数据集连接	Bridging

8.结论（conclusion）

作者在结尾讲到，以前对融合这个方向做了很长时间研究，但是近段时间研究者们更热衷表示和映射这两个方向