标签
本文探讨了视觉-语言模型如何处理上下文知识与参数知识之间的冲突，揭示了不对称偏差：对于文本实体，模型倾向于偏好上下文信息；而对于图像实体，则偏好参数信息，原因是视觉处理较慢。
本文研究了对话时间动态（话轮对时序）作为一种轻量级模态，用于从双人临床访谈中自动检测抑郁。结果表明，一个紧凑的24维时序模块表现出色，并且在融合时能够补充标准的声学和语义特征。