学习检测跨模态否定：潜表示分析与基于注意力的解法

跨模态检测否定这类高层语义概念对现有多模态系统仍是挑战。我们把它作为一个基本的表示学习问题分析，首次证明否定在标准视觉—语言模型（VLM）的潜空间中不构成线性或非线性可分的类别。我们证明预训练嵌入主要编码模态特定特征，缺乏可泛化的否定信号。为克服这一点，我们提出一个新的跨模态注意力架构，显式建模模态间依赖，相对单模态基线取得最高+7.03% F1的增益。分析揭示一个关键不对称：文本否定常独立出现，而视觉否定在语义上依赖语言上下文——这一发现经我们对3,222对政治视频—文本（经Qwen2.5-VL自动标注）的统计分析验证。结合该分析与自监督视频表示（JEPA2），我们推进了时序否定的建模。该工作为多模态系统中学习稳健、语义对齐的表示提供新方法与洞见。