分类中的语义一致性约束：助力模型优化

---

前言

这里介绍一篇笔者在去年ACL上发表的一篇文章，使用了空间语义约束来提高多模态分类的效果，类似的思路笔者也在视频描述等方向进行了尝试，也都取得了不错的效果。这种建模时对特征进行有意义的划分和约束对模型还是很有帮助的，在这里主要分享一下这个思路。
本文选择的方向是多模态情感检测，是一个标准的多模态分类场景。有已有方法主要关注特征融合，忽视了模态异质性带来的挑战。模态异质性可能导致以下问题：1）引入冗余视觉特征；2）特征转移；3）数据标注不一致，增加情感理解的难度。由于第三点和这个任务强相关，不具备通用性，故省略。
为了解决这些问题，我们设计了一个带有稀疏注意力的文本引导融合模块，减少冗余视觉特征的影响。其次，我们通过情感一致性约束任务校准特征转移。大量实验表明我们得改进有效并取得最佳结果。

论文：https://aclanthology.org/2023.acl-long.287.pdf
代码（直接邮箱就行，一直没顾上整理）：https://github.com/airsYuan/Tackling-Modality-Heterogeneity

---

1. 引言

多模态情感检测旨在从文本、图像等多模态内容中探索情感（见下图）。随着社交媒体的快速发展，这项技术在理解个体、人物或主题的情感方面应用广泛，吸引了学术界和工业界的关注。本文聚焦于在社交媒体中检测多模态帖子的情感。

现有研究主要集中在模态融合，但忽视了模态异质性带来的问题。模态异质性主要由模态差距引起，可能导致冗余视觉特征、特征转移和标注不一致等问题，增加了情感理解的难度。
为了系统解决这些问题，我们提出了多视角校准网络（MVCN），从三个不同视角出发：1）文本引导融合模块减少冗余视觉特征；2）情感一致性约束任务校准特征转移；3）自适应损失校准策略处理不一致的标注标签。

---

2. 方法

MVCN的架构如下图所示，主要包括文本引导融合模块和两个并行子任务：情感分类和基于情感一致性约束。

2.1 文本引导融合模块

该模块由单模态编码器、文本引导单元和归约单元组成。我们使用预训练的BERT模型作为文本编码器，ViT模型作为图像编码器。文本引导单元通过稀疏注意力机制消除冗余视觉特征，捕获与情感相关的图像关键部分。
具体来说，文本引导融合模块包含以下组件：

• 单模态编码器：使用BERT模型提取文本特征，使用ViT模型提取图像特征。

• 文本引导单元（TGU）：通过自注意力生成文本感知特征，再通过稀疏注意力获取文本引导的视觉稀疏特征，最后应用前馈神经网络处理这些特征。这里用了两个注意力机制：

1. 利用文本特征来关注视觉特征，从而获取由文本引导的视觉特征。

2. 采用sparsemax进行注意力权重的归一化，以获得稀疏的后验注意力权重，使得冗余的视觉特征权

归约单元（RU）：通过堆叠注意力层和全连接层对多模态特征进行降维，得到情感分类的多模态表示。

2.2 情感一致性约束（SCC）

SCC任务通过聚集多模态特征来校准特征转移。我们提出相对L2损失来度量距离，避免数据分布完全消除。此外，累积校准策略扩大计算空间，减少样本变化，确保训练稳定性。

具体步骤包括：

• 估计情感中心：利用标签信息计算正面、中性和负面情感中心。

• 采用相对L2优化距离：我们设计了相对距离来优化SCC任务，将语义一致的数据彼此拉近。注意，这里不能直接用L2损失，不然会让模型失去泛化性，导致效果非常差。

• 累积校准策略：为了进一步优化SCC任务，我们提出了一种累积校准策略。Batch更新的局限性在于计算中心点会频繁更新，而Batch的样本数量（N=16）不足以估计准确的中心点导致训练非常不稳定。为了解决这个问题，我们使用一个辅助的表征模块来提前生成足够的表示（N=3600+）作为估计中心点的候选样本。然后通过一个队列来存储所有的特征表示。该队列在训练过程中也会动态更新，通过用当前Batch替换队列中最早的一个Batch来实现速度较慢的中心点更新，这样训练起来非常稳定。

实验

在本节中，我们将介绍实验设置和结果，并进行消融研究和可视化分析。实验在三个公共数据集上进行：MVSA-Single、MVSA-Multiple和HFM。

3.1 基线模型

为了充分验证MVCN的性能，我们选择了单模态和多模态基线模型。

• 单模态基线：对于文本模态，我们选择CNN、Bi-LSTM和BERT作为基线模型。对于图像模态，选择了ResNet和ViT。

• 多模态基线：对于MVSA数据集，比较的基线模型包括MultiSentiNet、HSAN、Co-MN-Hop6、MGNNS和CLMLF。对于HFM数据集，我们比较了Concat的两个变体、MMSD以及D&R Net。

3.4 主要结果

实验结果如上表所示。多模态模型由于融合了更多信息，超越了单模态模型。总体而言，MVCN比其他方法有显著的性能提升，这表明了从不同角度解决模态异质性的必要性。特别地，我们发现MVCN在MVSA-Single数据集上的表现优于其他两个数据集，可能是由于数据多样性不足，小数据集更容易受到模态异质性问题的影响。

3.5 消融研究

为了研究每个模块的有效性，我们在上表中进行了消融研究。首先，与均等融合图像和文本特征的MFS模型相比，TGF模块显著提升了情感检测性能。情感一致性约束（SCC）模型显著提升了整体效果，验证了这一方法的重要性。通过将SCC与更准确稳定的质心相结合的累积校准（AC）策略，性能进一步得到了持续提升。然而，需要注意的是，SCC的优化不能使用绝对距离，否则效果会大幅下降，这一点在论文中已有讨论。

分析

4.1 可视化

稀疏注意力可视化

为了验证TGF模块中Sparse-Attention的优势，我们进行了注意力热图的可视化分析。结果显示，Sparse-Attention能够捕捉与情感相关的图像关键部分，同时减弱冗余视觉特征的负面影响。例如，图（a）中，模型更加关注图像中的“生病的狗”，因为它反映了负面情感。这证明了模型可以聚焦于图像中的情感区域，避免无关对象的干扰，进一步强调了消除冗余视觉特征的必要性。

特征分布可视化

为了直观展示具有AC策略的SCC任务的优越性，我们在MVSA-Single数据集上进行了特征分布的可视化分析。通过T-SNE2算法对特征进行降维，我们得到了二维特征向量的分布图（上图）。从图（b）可以看出，SCC任务使同一类别的样本聚集在其对应的质心周围。而图（a）显示，当移除SCC任务时，数据聚集程度明显下降。这表明，SCC任务通过考虑情感标签，从更全局的角度约束分布，更好地校准特征偏移，从而提升了模型性能。

结论

在本文中，我们通过采用特征约束方法显著提升了多模态分类的性能。在笔者的探索过程中，这一思路不仅在多模态分类任务中表现出色，还具有广泛的应用潜力。这类方法可以同样适用于其他需要强特征表示的任务，从而增强模型的效果，为这类任务的性能优化提供了一个可能的思路。