分享一个大模型时代很香的研究方向：迁移学习+多模态融合。

众所周知，多模态模型由于全量微调成本过高，对高效迁移一直需求旺盛。再加上模态对齐的问题、人工标注数据的成本...当下对迁移学习+多模态融合的研究也就更热情了。

不过显然，这方向的创新也基本围绕以上问题展开，比如模型高效迁移与参数更新、任务驱动动态融合、统一知识迁移框架、鲁棒迁移与领域泛化等等。如果想发论文，建议先从这些切入点着手。

本文整理了17篇迁移学习+多模态融合新论文，意在帮助各位了解前沿，掌握思路，然后运用到自己的文章中，有需求自取~

扫码添加小享，回复“迁移多模态”  

免费获取全部论文+代码合集

Google is all you need: Semi-Supervised Transfer Learning Strategy For Light Multimodal Multi-Task Classification Model

方法：论文提出了一种多模态融合的多标签图像分类模型，通过迁移学习将图像处理（CNN）和文本处理（NLP）模型结合，利用特征融合模块整合视觉和文本信息，提升分类准确性和效率。

创新点：

• 提出一种多模态多标签图像分类模型，融合图像和文本特征以提升分类准确性。
• 采用迁移学习冻结预训练模型权重，结合数据增强和加权损失函数优化性能。
• 引入半监督学习和交叉注意力机制，增强模型对多模态数据的融合能力和泛化性能。

MedMimic: A Physician-Inspired Multimodal Fusion Framework for Early Diagnosing Fever of Unknown Origin

方法：论文提出了一种名为MedMimic的多模态融合框架，用于早期诊断不明原因发热（FUO）。其核心方法是利用预训练模型提取PET/CT影像数据的特征，并通过自注意力机制将这些特征与临床数据进行融合，从而提高诊断准确性。

创新点：

• 提出MedMimic框架，利用预训练模型将高维PET/CT影像数据转化为语义特征张量。
• 引入可学习的自注意力机制，动态融合影像特征与临床数据，生成紧凑且具有区分性的特征表示。
• 通过多模态融合分类网络，实现对不明原因发热的早期诊断，显著优于传统单模态方法。

TelME: Teacher-leading Multimodal Fusion Network for Emotion Recognition in Conversation

方法：论文提出了一种名为TelME的多模态融合网络，用于对话中的情感识别。其核心方法是利用文本模态作为“教师”，通过知识蒸馏增强音频和视觉模态的特征，然后通过注意力机制将这些模态的特征进行融合，从而提高情感识别的准确性。

创新点：

• 提出TelME框架，利用文本模态作为“教师”模型，通过知识蒸馏增强音频和视觉模态的特征提取能力。
• 引入基于注意力机制的模态转移融合方法，将增强后的音频和视觉特征与文本特征进行融合，提升情感识别的准确性。
• 实验结果：在两个数据集上表现很好，尤其在多人对话场景中效果最佳。

UniGraph2: Learning a Unified Embedding Space to Bind Multimodal Graphs

方法：论文提出UniGraph2模型，通过模态特定编码器将不同模态的数据编码为特征向量，再利用混合专家模块和图神经网络对齐和融合这些特征，生成统一的低维嵌入空间，从而实现多模态图数据的有效表示学习。

创新点：

• 提出UniGraph2模型，通过模态特定编码器处理多模态数据并生成特征向量。
• 使用混合专家（MoE）模块对齐和融合不同模态的特征，确保跨模态一致性。
• 采用跨域多图预训练策略，提升模型在不同图域和模态间的迁移学习能力。