不完整多模態學習

深度分析

MARS：利用缺失感知殘差導向專家分流提升不完整多模態學習效能

現實預測系統常因感測器故障導致模態缺失，研究提出MARS（Missingness‑Aware Residual‑guided Specialization）框架，利用完整與缺失輸入之表徵差異作為殘差訊號，引導雙路由器分配專家，實驗在CASIA‑SURF、MCubeS等多模態分類與分割任務上均超越基線，顯示在測試時缺失模態情境下仍能保持高效能。