摘要：近段时间来，多模态情感分析（multimodal sentiment analysis）得到了越来越多的关注。它可以为视频评论和调查实现意见挖掘，这些内容如今在 YouTube 等网络平台上是非常丰富的。但是高质量的多模态情感数据的样本量却很有限，这可能会引起情感只依赖于数据集中单个特定特征的问题。这会导致训练出来的模型在更大的网络平台的分类问题上缺乏通用性。在本论文中，我们首次对数据进行了检查并证实了这种依赖问题的存在。然后我们提出了一种可以提升训练出的判别神经网络的通用性的选择附加算法（SAL: Select-Additive Learning）过程。SAL 是一种两阶段的学习方法。在选择（Selection）阶段，它选择混淆的学习到的表征。在附加（Addition）阶段，它通过添加高斯噪声迫使分类器舍弃被混淆了的表征。我们的实验表明了 SAL 可以如何提升当前最佳的模型的通用性。我们在所有三种数据形式（文本、音频、视频）以及它们的混合形式上都能显著提升预测准确度。我们的实验表明 SAL 即使是在单个数据集上训练，也能在整个测试数据集上实现良好的准确度。
论文地址：Select-Additive Learning: Improving Cross-individual Generalization in Multimodal Sentiment Analysis
