【DCCN】多模态情感分析解耦交叉属性关联网络
作者指出的现有方法不足
细粒度特征强化不足：
- 现有跨模态交互方法（如MulT、PMR）仅关注模态共性交互（如文本与音频的共同情感），忽略了模态私有特征（如文本语法、音频频谱等特有属性）的细粒度强化，导致分类器缺乏高效证据。
跨属性交互缺失：
- 多模态表示学习方法（如MFM、MISA）虽解纠缠共性与差异特征，但未探索跨属性依赖（如情感极性、主题、语调等属性间的互补关系），限制了特征增强效果。
动态融合机制缺乏：
- 传统方法对多属性（如情感、主题）的贡献采用固定权重融合，无法适应复杂场景（如讽刺检测中语调权重要高于文本）。
作者提出的处理方法
解耦多模态表示（DMR模块）：
- 构建多模态变分自编码器，将每个模态特征解纠缠为：
- 模态公共潜变量（zc,m）：跨模态共享的全局属性（如情感极性）；
- 模态私有潜变量（zp,m）：单模态特有的局部属性（如文本语法、音频频谱）。
- 通过专家乘积（PoE）学习多模态公共变量的联合分布，强化共性一致性；通过多模态距离相关性损失确保公共与私有变量独立。
跨属性关联网络（CCN模块）：
- 引入属性级交叉注意力机制，建模不同属性（如情感与主题）之间的依赖关系。
- 示例：通过注意力权重计算情感属性与主题属性的交互强度，生成增强特征。
自适应多属性决策融合（AMDF模块）：
- 设计可学习门控机制，动态调整不同属性对分类的贡献权重：αa=σ(Wa[zc,ta,zc,va