多模态大模型

Modality Disentangled Learning for Incomplete Multimodal Emotion Recognition: A Primitive Memory Distillation Perspective

面向不完整多模态情感识别的模态解耦学习：一种原语记忆蒸馏视角

Jiaqi Zhang, Zheng Pang, Mengting Li, Yiqi Wang, Guangyuan Dong, Chao Xue, Yusen Wu, Zihao Li, Huy Phan, Sicheng Zhao, Björn W. Schuller, Jiachen Luo

机构 * Jiangsu University（江苏大学） ； Griffith University（格里菲斯大学） ； National University of Singapore（新加坡国立大学） ； University of New South Wales（新南威尔士大学） ； Fujian University of Technology（福建理工大学） ； Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Tsinghua University（清华大学） ； Technical University of Munich（慕尼黑工业大学） ； Imperial College London（伦敦帝国学院） ； Queen Mary University of London（伦敦玛丽女王大学） 纠错

专题命中 其他多模态 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.CV

AI总结 本文针对不完整多模态情感识别中现有方法忽略模态异质性的问题，提出PriMD框架，通过解耦语义与原语构建记忆库，在多数据集上实现SOTA性能与更强鲁棒性。

Comments 19 Pages, 8 Figures, 13 Tables. Accepted to EMNLP 2026 Findings

Where Identity Lives: Localized, Retain-Free Identity Unlearning in Multimodal Large Language Models

身份信息的留存位置：多模态大语言模型中无保留集的本地化身份遗忘

Kangwook Ko, Jaehyuk Jang, Wonjun Lee, Hee-Seon Kim, Changick Kim

机构 * KAIST（韩国科学技术院） 纠错

专题命中 其他多模态 ：multimodal(title,abstract)；分类 cs.CV、cs.CL

AI总结 该研究针对多模态大语言模型身份遗忘需依赖难获取保留集的问题，提出PAVA方法，定位解码器早期到中期MLPs并结合遗忘损失与视觉属性锚定，在基准上取得良好遗忘-保留权衡。

Comments Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026

Optimizing Product Deduplication in E-Commerce with Multimodal Embeddings

利用多模态嵌入优化电子商务中的产品去重

Aysenur Kulunk, Berk Taskin, M. Furkan Eseoglu, H. Bahadir Sahin

机构 * Data Analytics Department Hepsiburada Istanbul, Turkey（数据分析师部门 赫斯伯达 特拉布宗 土耳其） 纠错

专题命中 其他多模态 ：multimodal(title,abstract)

AI总结 本研究提出了一种基于多模态嵌入的电子商务产品去重方法，结合BERT和MaskedAutoEncoders，利用Milvus数据库实现高效高精度的相似性搜索，F1分数达0.90，优于现有解决方案。

Comments 8 pages, accepted to 2025 IEEE International Conference on Big Data, Industrial and Goverment Track

Beyond Static Visual Tokens: Structured Sequential Visual Chain-of-Thought Reasoning

超越静态视觉标记：结构化的顺序视觉推理

Guangfu Guo, Xiaoqian Lu, Yue Feng, Mingming Sun

专题命中 其他多模态 ：multimodal(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出结构化顺序视觉推理方法，通过构建视觉重要性图谱并按判别顺序进行推理，提升多模态模型的视觉认知能力。

Comments Accepted to Findings of EMNLP 2026

Semantic-Spatial Discriminability Enhancement for Generalized Visual Grounding

面向通用视觉 grounding 的语义-空间判别性增强

Kaiyan Lei, Xu-Yao Zhang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

专题命中 其他多模态 ：cross-modal(abstract)；分类 cs.CV

AI总结 本文针对通用视觉 grounding 任务中易混淆相似目标的问题，提出 SSDE 框架，含 SeDE 与 SpDE 模块，在十个数据集上取得优异性能。

Comments Accepted by ACM MM 2026

Revisiting Greedy Decoding for Visual Question Answering: A Calibration Perspective

重新审视视觉问答中的贪婪解码：一种校准视角

Boqi Chen, Xudong Liu, Yunke Ao, Jianing Qiu

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Toronto（多伦多大学） ； MBZUAI（穆桑比克人工智能研究所） 纠错

专题命中 其他多模态 ：multimodal(abstract)；分类 cs.CL

AI总结 针对视觉问答任务，从校准角度理论证明贪婪解码优于随机采样，并提出适用于推理模型的贪婪解码方法，实验验证其有效性。

FAA Framework: A Large Language Model-Based Approach for Credit Card Fraud Investigations

FAA框架：一种基于大语言模型的信用卡欺诈调查方法

Shaun Shuster, Eyal Zloof, Asaf Shabtai, Rami Puzis

机构 * Ben-Gurion University of the Negev（贝纳尔吉翁内盖夫大学） 纠错

专题命中 其他多模态 ：multimodal(abstract)；分类 cs.AI

AI总结 该研究提出首个基于大语言模型的欺诈调查助手FIA框架，利用LLM能力自动化信用卡欺诈调查关键步骤，在Sparkov和CCTD数据集上经1500次额外调查后F1分数提升8%，可辅助解决模糊警报。

GFlowNets and variational inference

GFlowNets与变分推断

Esmeralda S. Whitammer, Salem Lahlou, Tristan Deleu, Xu Ji, Edward Hu, Katie Everett, Dinghuai Zhang, Yoshua Bengio

专题命中 其他多模态 ：multimodal(abstract)

AI总结 本文建立变分推断与生成流网络的联系，证明特定情形下VI等价于GFlowNets特例，指出GFlowNets更适合离策略训练且利于捕获多模态分布多样性。

Comments ICLR 2023 final version; code: https://github.com/GFNOrg/GFN_vs_HVI