多模态情感分析——多模态联邦学习UTMP源码(2023ArXiv)

1.方法简介

（1）论文参考地址

Zhang, Rongyu et al. “Unimodal Training-Multimodal Prediction: Cross-modal Federated Learning with Hierarchical Aggregation.”?ArXiv?abs/2303.15486 (2023): n. pag.

https://doi.org/10.48550/arXiv.2303.15486

(2）论文方法简介

通过在多模态联邦学习的背景下提出单模态训练-多模态预测(UTMP)框架来弥合这一差距。设计了HA-Fedformer，这是一种基于变压器的新型模型，可以在客户端仅使用单模态数据集进行单模态训练，并通过聚合多个客户端的知识来进行多模态测试，以提高准确性。将特征提取层和预测层分开来处理分层聚合。具体来说，引入了一个基于变压器的编码器用于特征提取和一个基于RNN的解码器用于预测。基于这些结构，我们提出了基于后验的编码器聚合(PbEA)和跨模态解码器聚合(CmDA)，分别处理编码器和解码器参数。HAFedformer的整体架构如图所示。

2.数据集介绍

（1）下载地址

https://multibench.readthedocs.io/en/latest/start/datadownload.html

（2）模态介绍

CMU-MOSI数据集和CMU-MOSEI数据集的模态有3种（语言，视觉，声音），数据集使用的是已对齐原始raw数据特征。

（3）标签介绍

既有情感标注又有情绪标注。情感标注是对每句话的7分类的情感标注，作者还提供了了2/5/7分类的标注。情绪标注是包含高兴，悲伤，生气，恐惧，厌恶，惊讶六个方面的情绪标注。数据集是多标签特性，即每一个样本对应的情绪可能不止一种，对应情绪的强弱也不同，在[-3~3]之间。

（4）评价标准

均方误差（MSE）、平均绝对误差(MAE)、Pearson相关性(Corr)、二元精度(Acc-2)、F-Score(F1)和多级精度(Acc-7)范围从-3到3。对于除MAE以外的所有指标，相对较高的值表示较好的任务性能。本质上，提出了两种不同的方法来测量Acc-2和F1。在第一种，负类的标注范围为[-3,0)，而非负类的标注范围为[0,3]。第二种，负类和正类的范围分别为[-3,0)和(0,3]。

3.代码示例

def init_argparse():
    import argparse
    parser = argparse.ArgumentParser(description="多模态联邦学习")
    parser.add_argument("--path", type=str, default='data/MOSEI/mosei_raw.pkl', help="数据路径")
    parser.add_argument("--epochs", type=int, default=300, help="训练轮数")
    parser.add_argument("--batch_size", type=int, default=512, help="训练时的批大小")
    parser.add_argument("--num_workers", type=int, default=0, help="子进程数量")
    parser.add_argument("--data_type", type=str, default='mosei', help="要加载的数据类型")
    parser.add_argument("--max_seq_len", type=int, default=50, help="最大序列长度")
    parser.add_argument("--optimizer", type=str, default='AdamW', help="优化器")
    parser.add_argument("--lr", type=float, default=0.001, help="学习率")
    parser.add_argument("--weight_decay", type=float, default=1e-5, help="权重衰减")
    parser.add_argument("--seed", type=int, default=1234, help="随机种子")
    return parser

4.运行结果

以CMU-MOSI和CMU-MOSEI为例，在测试集上的结果分别如下：

CMU-MOSI数据集

CMU-MOSEI数据集

5.完整代码获取

多模态情感分析——多模态联邦学习UTMP源码(2023ArXiv)

最后：

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！