一文搞懂多模态学习（多模态融合 + 跨模态对齐）

多模态学习（Multimodal Learning）是一种通过整合多种数据模态（如文本、图像、音频、视频等）来提升模型对复杂信息的理解能力的技术。其核心目标是利用不同模态的互补性与冗余性，突破单一模态的信息局限，模拟人类多感官协同认知的能力。

多模态融合和跨模态对齐是多模态学习的两个核心方面。多模态融合通过整合不同模态的数据来提高模型的感知和理解能力；而跨模态对齐则确保不同模态数据之间的准确对应，为融合提供可靠的基础。

一、多模态融合：整合信息

什么是多模态融合（Multi Modal Fusion）？ 多模态融合能够充分利用各模态之间的互补优势，将来自不同模态的信息整合成一个稳定且全面的多模态表征。

表征学习通过从原始数据中自动提取各模态有效特征，生成稳定全面的多模态表征。

表征学习（Representation Learning） ≈ 向量化（Embedding）

从数据处理的层次角度来划分，多模态融合可分为数据级融合、特征级融合和目标级融合。

一、数据级融合（Data-Level Fusion）

数据级融合是在预处理阶段将不同模态的原始数据直接合并，适用于高度相关和互补的数据场景。

二、特征级融合（Feature-Level Fusion）

特征级融合是在特征提取之后、决策之前进行的融合。不同模态的数据首先被分别处理，提取出各自的特征表示，然后将这些特征表示在某一特征层上进行融合。**广泛应用于图像分类、语音识别、情感分析等多模态任务中。

三、目标级融合（Decision-Level Fusion）

目标级融合是在各单模态模型决策后，将预测结果进行整合以得出最终决策，适用于多模型预测结果综合的场景，如多传感器数据融合、多专家意见综合等。

二、跨模态对齐：准确对应

什么是跨模态对齐（MultiModal Alignment）？

跨模态对齐是指利用各种技术手段，使不同模态的数据（例如图像、文本、音频等）在特征、语义或表示层面上能够达到匹配与对应。

跨模态对齐主要分为两大类：显式对齐和隐式对齐。

什么是显示对齐（Explicit Alignment）？

直接建立不同模态之间的对应关系，包括无监督对齐和监督对齐。

无监督对齐利用数据自身特性自动发现模态间对应关系，如CCA和自编码器；监督对齐则利用标签信息指导对齐，如多模态嵌入和多任务学习模型。

什么是隐式对齐（Implicit Alignment）？

不直接建立对应关系，而是通过模型内部机制隐式地实现跨模态的对齐。这包括注意力对齐和语义对齐。

一、注意力对齐

通过注意力机制动态地生成不同模态之间的权重向量，实现跨模态信息的加权融合和对齐。

• Transformer模型：在跨模态任务中（如图像描述生成），利用自注意力机制和编码器-解码器结构，自动学习图像和文本之间的注意力分布，实现隐式对齐。
• BERT-based模型：在问答系统或文本-图像检索中，结合BERT的预训练表示和注意力机制，隐式地对齐文本查询和图像内容。

二、语义对齐

在语义层面上实现不同模态之间的对齐，需要深入理解数据的潜在语义联系。

• 图神经网络（GNN）：在构建图像和文本之间的语义图时，利用GNN学习节点（模态数据）之间的语义关系，实现隐式的语义对齐。
• 预训练语言模型与视觉模型结合：如CLIP（Contrastive Language-Image Pre-training），通过对比学习在大量图像-文本对上训练，使模型学习到图像和文本在语义层面上的对应关系，实现高效的隐式语义对齐。