传统的深度学习模型在处理不同数据形式时存在巨大的模态差异，需要进行大量的工作来构建一个能够处理各种输入形式的统一网络。不同数据模态之间存在显著差异，通常使用不同的网络拓扑来独立编码每种数据模态。然而，这需要耗费时间和精力。

【点击查看原文】