图像文字表示的多模态信息瓶颈归因的视觉解释
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一种改进视觉-语言预训练模型的方法，通过多模态信息瓶颈（M2IB）学习将相关特征保留并压缩无关信息的潜在表示。M2IB提高了视觉-语言预训练模型的归因精确度和可解释性。
🏷️
