使用這些基本 REST API 最佳實踐構建出色的 API
這種方法的問題是，它將給予所有子網絡/模式同等的重要性，這在現實情況中是非常不可能的。
所有的模態對預測都有相同的貢獻
我們采用子網絡的加權組合，以便每個輸入模態可以對輸出預測有一個學習貢獻(Theta)。
我們的優化問題變成-
對每個子網絡給出Theta權值后的損失函數。
將權值附加到子網后預測輸出。
準確性和可解釋性
我們在兩個現實多模態數據集上得到了SOTA：
Multimodal Corpus of Sentiment Intensity(MOSI) 數據集 —— 有417個標注過的視頻，每毫秒標注的音頻特征。共有2199個標注數據點，其中情緒強度定義為從strongly negative到strongly positive，線性尺度從- 3到+3。
模態包括：
1、文本
2、音頻
3、語言
每種模態對情緒預測的貢獻量
Transcription Start Site Prediction(TSS)數據集 —— Transcription是基因表達的第一步，在這一步中，特定的DNA片段被復制到RNA (mRNA)中。Transcription起始位點是transcription開始的位置。DNA片段的不同部分具有不同的特性，從而影響其存在。我們將TSS分為三個部分：
我們取得了前所未有的改善，比之前的最先進的結果3%。使用TATA box的下游DNA區域對這一過程影響最大。
英文原文：https://towardsdatascience.com/multimodal-deep-learning-ce7d1d994f4
文章轉自微信公眾號@算法進階