QA-MoE

QA-MoE 是面向鲁棒多模态情感分析的质量感知 Mixture-of-Experts 方法。它的核心问题是：真实输入中的文本、音频和视觉模态不会简单地“有/没有”，而是在噪声、缺失和质量退化之间连续变化。

观察

• QA-MoE 把模态缺失、模态噪声和混合缺陷统一成连续可靠性谱，而不是把它们当作互不相关的离散场景。
• 概率特征建模让模态表征带有不确定性；方差越高，质量分数越低，模型越不应盲目信任该模态。
• 质量感知路由把语义 gating 和质量 gating 结合起来，使 MoE 专家选择同时考虑“输入说了什么”和“输入是否可靠”。
• 双分支预测和异方差损失让模型同时输出情感预测与不确定性，在噪声样本上降低过度惩罚。
• 这一方法对 情绪计算 的意义是：情绪识别系统不能假设多模态输入始终干净完整；可靠性估计应成为模型结构的一部分。
• 当前来源主要是论文元数据和中文技术解读；实验结论、数据集和对比结果应以 arXiv 论文为准。

相关页面

• 情绪计算
• 多模态心理健康理解
• MME-Emotion

证据

• 原始资料快照（本地归档）
• 原始资料快照（本地归档）
• arXiv: QA-MoE