多任务学习的多模式情感分析 使用CMU-MOSI数据库进行情感分析的单峰和多峰单任务，双任务和三任务学习模型。 在单任务模型中，我们执行回归实验以预测情绪得分。 在双任务模型中，我们执行多任务学习实验，这些实验以情感分数回归为主要任务，而强度或极性分类为辅助任务。 在三任务模型中，我们执行多任务学习实验，以情感得分回归为主要任务，强度和极性分类为辅助任务。 在多模式模型中，我们比较了早期融合，晚期融合，分层融合和张量融合网络。 这些代码适用于我们的ACL2018人类多峰语言计算建模研讨会论文： @inproceedings{tian2018polarity, title={Polarity and Intensity: the Two Aspects of Sentiment Analysis}, author={Tian, Leimin and Lai, Cather

作为一种比传统机器学习方法更有效的训练框架，元学习获得了广泛的欢迎。然而，在多模态任务等复杂任务分布中，其泛化能力尚未得到深入研究。近年来，基于多模态的元学习出现了一些研究。本综述从方法论和应用方面提供了基于多模态的元学习景观的全面概述。我们首先对元学习和多模态的定义进行了形式化的界定，并提出了这一新兴领域的研究挑战，如何丰富少样本或零样本情况下的输入，以及如何将模型泛化到新的任务中。然后我们提出了一个新的分类系统，系统地讨论了结合多模态任务的典型元学习算法。我们对相关论文的贡献进行了调研，并对其进行了分类总结。最后，提出了该领域的研究方向。