数据稀缺与分布迁移下的多模态协训练高效泛化
机器学习
2025-10-10 v1 信息论
math.IT
摘要
本文探讨了一种多模态协训练框架，用于在标注数据有限且分布迁移发生的情况下提高模型泛化能力。我们深入检视了该框架的理论基础，推导了在利用无标签数据和促进不同模态分类器间一致性方面导致显著泛化性提高的条件。我们还 presented了收敛分析，确认了迭代协训练在减少分类错误方面的有效性。此外，我们建立了一个新的泛化界，首次在多模态协训练语境中分解并量化了从利用无标签多模态数据、促进视图间一致性以及维持条件视图独立性方面所获获得的不同优势。我们的发现突显了多模态协训练作为一种结构化方法的实际优势，可用于开发在动态真实环境中有效且能实现泛化的数据高效AI系统。
引用
@article{arxiv.2510.07509,
title = {Efficient Generalization via Multimodal Co-Training under Data Scarcity and Distribution Shift},
author = {Tianyu Bell Pan and Damon L. Woodard},
journal= {arXiv preprint arXiv:2510.07509},
year = {2025}
}