刘晓豪@新加坡国立大学：弥合模态鸿沟：面向数据演化的多模态学习

本文背景是当前多模态学习方法大多基于静态、同分布数据假设，难以适应真实世界中持续变化的数据流和模态异构的挑战。研究目的是探索在数据不断演化的条件下，如何构建鲁棒且可扩展的跨模态理解能力，其核心是围绕“数据为中心”的学习理念，融合持续多模态对比学习与原则性多模态表征学习。结论指出，多模态学习应回归数据本身，通过持续对齐与原则性表征，使模型在数据变化中保持一致，并在模态缺失时仍能保持语义理解。