本文揭示了多模态学习中欠优化问题的根本原因在于模态编码器与融合模块间的优化冲突，导致主导模态性能下降。为解决此问题，作者提出解耦梯度学习(DGL)框架，通过截断多模态损失反向传播到编码器的梯度，并引入单模态损失独立优化编码器，同时避免梯度干扰。实验证明，DGL在多种模态、任务和融合框架上均能有效提升性能，解决多模态模型不如单模态模型的问题。

本周与大家分享一篇发表在ICCV 2025上讨论如何解决多模态学习中欠优化问题的论文《Boosting Multimodal Learning via Disentangled Gradient Learning》。研究表明，多模态学习往往面临欠优化的问题，其性能甚至可能不如单模态学习 。现有方法主要将此问题归因于模态间的学习不平衡，并通过梯度调制来重新平衡它们，但未能解释为何多模态模型中的主导模态（Dominant Modality）表现也不如其在单模态学习中的表现 。

本文揭示了多模态模型中模态编码器与模态融合模块之间存在优化冲突。具体而言，证明了多模态模型中的跨模态融合会减少回传给每个模态编码器的梯度，导致其性能优于单模态模型。为解决这一问题，本文提出了一种解耦梯度学习（DGL）框架，以解耦多模态模型中模态编码器与融合模块的优化 。DGL截断了从多模态损失反向传播到模态编码器的梯度，并将其替换为来自单模态损失的梯度；同时，移除了从单模态损失反向传播到融合模块的梯度 。这有助于消除模态编码器与融合模块之间的梯度干扰，同时确保它们各自的优化过程 。在多种类型的模态、任务以及具有密集跨模态交互的框架上进行的广泛实验，证明了所提出的DGL方法的有效性和通用性 。

论文细节

1. 引言

随着廉价传感器可用性的增加，利用多源数据的多模态学习在机器学习领域引起了广泛关注。这一点在分类任务、目标检测和分割任务等各个领域都显而易见。现有的多模态学习研究主要集中在开发融合技术上，例如基于张量的融合和基于注意力的融合。然而，多种模态的简单组合并不总是能带来令人满意的性能。近期的研究观察到，多模态模型在某些情况下的表现可能不如单模态模型。

现有研究通常将这种性能下降归因于模态间的学习不平衡，即表现较好的主导模态会抑制较弱模态的优化，导致较弱模态的特征学习不充分。为了解决这一问题，研究者引入了教师辅助（teacher aid）、梯度调制（gradient modulation）和交替优化（alternating optimization）等技术来缓解不平衡训练，并取得了一定的成效 。然而，这些方法主要关注提升较弱模态，而忽略了主导模态的优化问题。实际上，主导模态在多模态模型中的表现往往也不如其在单模态学习中的表现（如图1所示）。

图1多模态模型与单模态模型的性能比较

为此，本文重点探讨导致多模态学习中主导模态欠优化的原因。研究揭示，由于与融合模块的优化冲突，多模态模型中的每个模态（即使是表现最好的模态）的学习效率都低于单模态模型。具体而言，与单模态模型相比，多模态模型中的模态融合模块会抑制反向传播到模态编码器的梯度。此外，这种抑制程度会随着优化过程的进行而增加。结果是，多模态模型中每个模态的性能都劣于单模态模型。

为了解决这一问题，本文提出了解耦梯度学习（DGL）策略。DGL首先截断从模态融合模块传播到模态编码器的梯度，以避免梯度抑制问题；然后通过无参数的模态dropout技术为每个模态编码器引入独立的单模态损失。这为每个模态编码器提供了独立的梯度路径，在消除模态间干扰的同时确保了它们的优化 。此外，DGL还移除了从单模态损失传播到融合模块的梯度，避免了单模态损失与多模态损失之间的梯度干扰，从而保证了多模态模型中融合模块的正常优化 。值得注意的是，DGL仅依赖于各模态的表征，不受模型结构和融合方法的限制，适用于多种场景 。

图2DGL方法框架

2. 多模态学习中的欠优化分析

现有研究通常将多模态模型性能不足归因于模态间的不平衡学习，即主导模态抑制了弱势模态的学习。然而，本文的研究揭示了一个更为根本的问题：多模态模型中的每个模态（包括主导模态）都面临着欠优化问题，其根源在于模态编码器与融合模块之间的优化冲突。

为了深入探究这一现象，作者首先定义了常规的多模态学习范式。假设有两个输入模态 和 ，分别通过编码器 和 映射为特征表示 和 。融合模块 将它们结合，并通过线性分类器生成输出。多模态模型的分类损失函数 可以表示为：

其中 是交叉熵损失函数。根据链式法则，在多模态模型中回传给编码器 的梯度 为：

假设采用最广泛使用的拼接（Concatenation）作为融合方式，即 。根据交叉熵损失的梯度公式，可以推导出 的表达式。与此同时，如果我们仅使用模态 进行单模态训练，其回传给编码器的梯度 也可以被计算出来。

通过对比两者的梯度表达，作者证明了如下的不等式关系：

这一数学证明揭示了多模态学习中欠优化的核心机制：与单模态模型相比，多模态模型中的模态融合模块会抑制回传到模态编码器的梯度。 这种梯度抑制带来两个严重后果：

1.编码器收敛受限：由于参数是沿负梯度方向更新的，梯度的减小意味着多模态模型中的编码器 的收敛速度要慢于单模态模型。

2.优化冲突加剧：随着训练的进行，分类预测越来越准确，梯度的抑制程度会进一步增加。特别地，如果 是一个易于学习的模态（主导模态），它会更快地使损失函数下降，从而导致回传给 的梯度被更大幅度地抑制。

更重要的是，为了确保多模态模型的整体优化（即最小化交叉熵损失），融合模块倾向于调整特征使得分类边界最大化，但这往往以牺牲单个模态编码器的充分学习为代价。实际上，融合模块与模态编码器之间存在着内咋的优化冲突：融合模块的优化过程实际上限制了模态编码器的特征学习。因此，多模态模型限制了模态编码器的优化，导致每个模态的性能都劣于其单模态模型。

3. 方法：解耦梯度学习（DGL）

为了解决上述的优化冲突问题，本文提出了解耦梯度学习（DGL）框架。DGL的核心思想是通过梯度截断（Gradient Detaching）和梯度重组（Gradient Reorganizing），将多模态模型中模态编码器与融合模块的优化过程解耦

梯度截断（Gradient Detaching）

该阶段旨在截断从模态融合模块传回模态编码器的梯度 ，从而消除融合模块对编码器优化的抑制。具体而言，DGL 在计算多模态损失时，对输入融合模块的模态特征进行截断操作：

其中detach()操作用于截断梯度流。通过这种方式计算出的多模态损失 将只用于更新融合模块 和分类器参数 ，而不会回传给模态编码器，从而避免了“梯度抑制”问题。

梯度重组（Gradient Reorganizing）

虽然梯度截断消除了优化约束，但也切断了编码器的学习路径。为了优化编码器，DGL 为每个模态引入了独立的单模态梯度。与现有方法引入额外的分类器不同，DGL 采用无参数的模态Dropout（Modality Dropout）技术 。即在保留融合模块结构的前提下，通过将其他模态的表征置为 0 来计算单模态损失。以编码器 为例：

同理可得 。这种设计不仅能够处理密集的跨模态交互，而且不增加额外的结构复杂性。

值得注意的是，单模态损失的梯度也会流经融合模块。为了避免与多模态任务的梯度发生冲突，DGL 在计算单模态损失的梯度时，会移除从单模态损失回传到融合模块的梯度，仅利用该梯度更新模态编码器 。 综上所述，DGL 的总体训练目标为：

其中 是用于校准模态编码器优化的超参数。通过这种设计，DGL 成功地消除了模态编码器与融合模块之间的优化冲突，同时也通过独立的梯度路径解决了模态间的竞争问题，从而实现了多模态学习的性能提升。

4**. 实验**

数据集与实验设置

为了全面评估DGL的有效性，作者在多个领域的数据集上进行了广泛实验，包括：CREMA-D（视听情感识别）、Kinetics-Sounds（KS，动作识别）、VGGSound（大规模视频事件分类）、MOSI（包含音频、视觉、文本的多模态情感分析）以及NYUv2（RGB-D室内语义分割）。

在对比实验中，涵盖了OGM、AGM、PMR等梯度调制策略，以及G-Blending、MLA、MMPareto、D&R等交替优化方法。为保证公平性，除特殊说明外，实验统一采用ResNet18作为骨干网络，并使用拼接（Concatenation）作为默认的特征融合方式。 多模态任务对比

表****1

表1展示了DGL在CREMA-D、KS和VGGSound三个数据集上与现有SOTA方法的对比结果。可以看出，DGL在所有数据集上均取得了最佳性能，相较于次优方法（MLA和D&R），在三个数据集上的多模态准确率分别提升了3.15%、3.66%和1.34%。

值得注意的是，DGL不仅提升了多模态模型的整体性能，其框架下的单模态分支（Audio/Visual）性能也全面超越了单独训练的单模态基线模型（Unimodal Baseline）。这有力地证明了DGL能够有效解决“主导模态欠优化”的问题。相比之下，现有的梯度调制方法（如OGM_GE）虽然提升了弱势模态（Visual），但往往导致主导模态（Audio）性能大幅下降；而交替优化方法虽然有所改善，但仍未能使多模态框架下的单模态性能达到理想水平。

表****2

为了验证DGL在更复杂场景下的通用性，表2进一步展示了不同实验设置下的结果。 ·密集跨模态交互（表2左）： 在使用MMTM和MLP-Fusion等复杂融合机制时，DGL依然保持了显著的性能优势。 ·多模态扩展（表2右）： 在MOSI数据集上引入文本模态后（即音频+视觉+文本），DGL在三模态设置下依然取得了最高的准确率，证明了其不受模态数量限制的灵活性。 消融实验与泛化性分析

表****3

表3的消融实验验证了DGL核心组件的贡献。结果显示，单独使用多模态梯度截断（MT）或单模态梯度截断（UT）均能带来性能提升，而将两者结合（DGL）则能取得最佳效果。这表明消除融合模块对编码器的抑制（MT）以及避免不同损失间的梯度干扰（UT）对于提升性能都是至关重要的。

表****4

表4探讨了超参数 （用于控制单模态损失权重）的影响。结果表明，随着 的增加，模型性能呈现上升趋势。这说明通过增强单模态学习的力度，可以有效辅助多模态模型的优化。与G-Blending等同样引入单模态辅助的方法相比，DGL由于消除了优化冲突，能够更充分地利用单模态梯度的增益。

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】