2026年7月27日 · Co-Learning for Missing Arbitrary Modalities in Multi-modal Classification
Co-Learning for Missing Arbitrary Modalities in Multi-modal Classification
arXiv 论文提出 Co-Learning 框架，解决多模态分类中任意模态缺失问题，在两种基准上取得鲁棒性提升。
EVENT STORY
发展脉络
- 首次出现Co-Learning for Missing Arbitrary Modalities in Multi-modal ClassificationarXiv cs.AI
- 当前判断多模态模型在实际部署中常因传感器故障或隐私限制导致模态缺失，该研究提升了模型鲁棒性，可能推动多模态系统在工业质检、自动驾驶等场景的落地。Agent Pulse · 分析
arXiv 论文《Co-Learning for Missing Arbitrary Modalities in Multi-modal Classification》提出两种方法，在特征和决策层面利用模态间协作，应对训练和推理时模态不一致的挑战。实验表明，第一种方法在单模态缺失时更鲁棒，第二种在多种缺失条件下表现更好。
该工作从多模态融合转向多模态共学习，不预设缺失模式，为任意模态缺失场景提供通用方案。未来可关注该方法在更多模态（如视频+文本+传感器）上的扩展性。
多模态模型在实际部署中常因传感器故障或隐私限制导致模态缺失，该研究提升了模型鲁棒性，可能推动多模态系统在工业质检、自动驾驶等场景的落地。
降低多模态系统对完整模态输入的依赖，减少因传感器故障导致的模型失效，提升系统可靠性，降低运维成本。
后续可验证该框架在真实缺失模式下的表现，以及是否可迁移到其他多模态任务（如检索、生成）。