多模态学习中的简单性：对复杂性的挑战

这篇论文挑战了多模态深度学习架构中日益增长的复杂性趋势。它认为，更简单、经过良好调整的模型通常可以胜过更复杂的模型，尤其是在跨多样数据集和任务进行严格评估时。作者强调了方法论严谨性的重要性，并为未来的研究提供了实用的清单。

• •复杂的的多模态架构不一定能带来更好的性能。
• •方法论的严谨性和超参数调整对于公平比较至关重要。
• •一个简单的 late-fusion Transformer (SimBaMM) 可以成为一个强大的基线。
• •该论文提倡从架构新颖性转向方法论严谨性。