TAME：文本锚定专家与不确定性路由

基于摘要分析。本文研究用户生成视频的多模态情感分析（MSA），提出 TAME，以文本作为主导语义先验，并通过不确定性引导的路由选择性融合音频、视频证据，而非对称处理各模态。 核心机制是非对称的 Mixture-of-Modality-Experts：文本特征充当固定且始终激活的共享专家，音频—文本和视频—文本跨模态分支作为动态路由的辅助专家。轻量级 Prophet Heads 估计各模态的样本级预测不确定性，并将其纳入模态路由器，以进行可靠性感知的专家聚合。摘要未说明不确定性的具体定义、监督方式、路由计算及损失形式，“固定”也不足以判断文本编码器是否冻结。 作者报告，在 CMU-MOSI、CMU-MOSEI 和 CH-SIMS 上，TAME 在多数指标上达到当前最佳表现；相对混合专家基线，参数量最多减少 78.7%，FLOPs 最多减少 41.2%。摘要未给出具体指标值、基线名称及这两项最大降幅对应的配置，不能将其理解为所有数据集或同一配置下的统一收益。实验划分、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴之处是按样本可靠性选择辅助模态，而非文本天然应作为 EEG 任务的主专家。若任务确有与 EEG 对齐且推理时可用的文本或其他模态，可假设不确定性路由有助于抑制低质量辅助信号；可复用专家聚合思路，但需改造 EEG 编码、时间对齐和不确定性估计。低信噪比、跨被试差异、通道变化及小样本可能使置信度失准。小规模可证伪实验可在固定被试划分下，对比静态融合与不确定性路由，并逐步扰动辅助模态，检查路由权重及任务指标是否体现可靠性变化。已有相关 EEG 工作尚未检索确认。