CoVeR
мультимодальный анализ эмоций и тональности даже при неполных данных
2 мин чтенияобновлено
CoVeR (Counterfactual-View Reliability learning) — набор чекпоинтов для мультимодального понимания (распознавания эмоций и тональности по тексту, аудио и видео), решающий проблему «языкового ярлыка» (Language Shortcut — склонности моделей полагаться только на текст и игнорировать остальные модальности). Модели основаны на компактной языковой модели Qwen3-0.6B с адаптерами LoRA (небольшими обучаемыми надстройками над весами внимания) и 4 токенами слияния (fusion tokens) от исследователей из Shandong University, NUS и университетов Гонконга. Главная особенность подхода — в особом обучении: модель не меняет архитектуру на этапе работы, но во время тренировки контрфактуальные представления выступают как одномодальные судьи, и их расхождение определяет, какие примеры обучают объединённый путь. Релиз пригодится исследователям мультимодальных систем, работающим в условиях, когда часть сигналов (например, звук или видео) на тесте пропадает или повреждена.
Ключевые особенности
- Семь готовых чекпоинтов: в репозитории лежат веса (seed 42) для семи популярных датасетов анализа эмоций и сарказма — CMU-MOSI, CMU-MOSEI, CH-SIMS, CH-SIMSv2, IEMOCAP, MELD и MUStARD++.
- Два режима работы: режим точности (accuracy mode) выдаёт предсказание за один проход со скоростью базовой LLM-Fusion модели, а робастный режим (robust mode) повышает устойчивость при потере модальностей.
- Лёгкая база Qwen3-0.6B: используются LoRA-адаптеры ранга 16 (и 32 для CH-SIMS) на проекциях внимания, а сама базовая модель остаётся замороженной.
- Открытая лицензия MIT: код и обученные тензоры опубликованы под лицензией MIT (базовая Qwen3-0.6B — под Apache-2.0).
Что можно сделать
- Оценить устойчивость распознавания эмоций при искусственном отключении аудио- или видеопотока по семи паттернам доступности модальностей на базе датасетов CMU-MOSI или IEMOCAP.
- Прогнать тестирование на бенчмарке MR-Bench-H для проверки того, насколько модель опирается на нетекстовые сигналы вместо слепого угадывания по транскрипции речи.
- Использовать чекпоинты как бейзлайн в научных экспериментах по неполному мультимодальному обучению (Incomplete Multimodal Learning) в паре с репозиторием кода CoVeR.
Пример
git clone [https://github.com/peacelwh/CoVeR](https://github.com/peacelwh/CoVeR) && cd CoVeR
pip install -r requirements.txt
hf download Bluexxx/CoVeR --local-dir results/runs --include "*/cover_s42/*"
python scripts/evaluate.py --run results/runs/mosi/cover_s42Подробнее
Метрики при неполных модальностях (среднее по 7 паттернам): Acc2 достигает 82.6% на IEMOCAP, 77.2% на CH-SIMS и 77.0% на CMU-MOSEI.На бенчмарке MR-Bench-H (900 клипов) в accuracy mode модель набирает 61.7% LS / 93.6% NS, а в robust mode — 63.0% LS / 84.8% NS (для данных чекпоинтов seed 42: 62.4 / 93.9 и 65.8 / 85.4).
Гиперпараметры обучения: K = 4 токена слияния, τ = 0.4, λ_uni = 2, lr = 2e-4, усреднение весов 0.99 для большинства корпусов.
Ограничения: предназначено только для исследований; авторы не рекомендуют применять модели для принятия важных решений в отношении людей.










Комментарии