多模態模型碰到模態缺失，怎麼辦？
原題
在多模態 AI 模型訓練或推論過程中，遇到某一模態資料缺失（例如僅有影像資料但缺少文字說明），下列哪一種策略最有效維持模型效能？
白話
多模態 AI 是指同時接受多種資料來源的模型，例如同時看「圖片」加「文字說明」來做判斷。
但實際應用中，常常只有圖片，沒有文字說明（或反過來）。這叫「模態缺失」。
問你：碰到模態缺失，哪種策略最有效讓模型繼續運作？
先自己選一個答案，再看完整解析。
一句話總結
多模態缺失最有效的策略：訓練一個從一開始就「知道自己可能會缺資料」的模型，讓它學會在缺少某個模態時仍能用剩下的資訊做出合理預測，而不是靠事後補救。
情境
先感受問題：醫療 AI 只有影像，沒有病歷文字
假設「醫感」公司開發了一個多模態 AI 輔助診斷系統，訓練時同時用：
- 胸腔 X 光影像（圖像模態）
- 病患的主訴文字（文字模態，如「持續咳嗽兩週、有痰」）
訓練好後，在大醫院使用沒有問題。但推廣到偏鄉診所後，診所醫師只有 X 光片，沒有在系統上輸入文字主訴。
輸入：X 光影像 ✓ | 文字主訴 ✗（缺失）
這台 AI 怎麼辦？
如果沒有特別設計，模型遇到缺少文字輸入就可能當機、輸出亂碼、或信心大幅下降。但「醫感」不可能因為偏鄉診所沒有文字輸入就拒絕服務患者。
這就是模態缺失問題的現實：訓練環境有多模態，但推論環境不一定有。
舊方法
為什麼幾個看起來合理的解法都不夠好
直覺上有幾個選項，但各有問題：
- 用零向量填充（選項 A 的方向）：把缺失的文字模態用一個全是 0 的向量代替。問題：「全零」是一個無意義的輸入，模型從未在訓練時見過這種輸入，它不知道「全零 = 缺失」，會把全零當成真實的輸入來解讀，輸出通常很差。
- 直接捨棄缺失模態的樣本（選項 D 的方向）：只用兩個模態都有的資料。訓練時可行，但推論時碰到只有一個模態怎麼辦？資料已經部署了，客戶就是只有 X 光片，你無法「捨棄」這個患者的需求。
- 用生成模型補全缺失模態（選項 C 的方向）：用 GAN 根據 X 光影像「生成」一段假的文字主訴，再餵給模型。問題：生成的文字可能有幻覺，把假資訊當輸入反而比沒有輸入更危險，在醫療場景尤其不可接受。
- 事後套用缺失填補（Post-hoc Imputation）：訓練後再想辦法填補，問題是模型訓練時假設兩個模態都在，現在硬填一個假資料，模型的內部期望和實際輸入不符，效果差。
- 降維到只用單模態：只用圖像重新訓練一個模型。代價太高，而且在有文字時的性能會下降。
新方法
訓練「知道自己可能沒有完整資訊」的模型
回到「醫感」的 X 光診斷系統。最根本的解法是：在訓練階段就把「有時候某個模態會缺失」這件事設計進去。
做法很直接：
隨機遮蔽訓練（Random Masking）：在訓練時，隨機把某個批次的文字輸入設為「缺失」，強迫模型學會在沒有文字時只靠圖像做診斷；有時候把圖像設為「缺失」，強迫模型只靠文字做診斷；有時候兩個都有，正常訓練。
批次 1：X 光 ✓ + 文字 ✓ → 正常診斷
批次 2：X 光 ✓ + 文字 ✗（遮蔽）→ 只靠影像診斷
批次 3：X 光 ✗（遮蔽）+ 文字 ✓ → 只靠文字診斷
批次 4：X 光 ✓ + 文字 ✓ → 正常診斷（多次出現）
模型被迫在各種缺失情境下完成任務，就像一個醫師被訓練成「就算今天沒有所有資料，也要給出最佳判斷」，而不是「缺資料就拒絕診斷」。
推論時偏鄉診所只給 X 光片，模型見過這種情況，知道怎麼處理，效能下降幅度有限。
這就是選項 B 講的：訓練具備模態缺失感知能力的模型，使其適應缺失狀況。
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
本題沒有程式碼或數學公式，技術版重點放在多模態缺失感知架構的完整技術背景。
模態缺失感知訓練的三種主流架構：
1. 隨機遮蔽訓練（Random Masking / Dropout-based Masking）：
訓練時以一定機率（如 30%）隨機將某個模態設為缺失（全零向量或特殊「MISSING」token）。模型需要在所有可能的缺失組合下都能正確預測，被迫學習每個模態的獨立判斷能力，也學習多模態融合時的互補關係。
2. 對比學習對齊（Contrastive Learning Alignment）：
把不同模態的特徵向量拉到同一個語意空間。在這個空間裡，同一個樣本的圖像特徵和文字特徵應該很接近，不同樣本應該很遠。這樣即使缺少某個模態，也能在共同語意空間裡做推理（CLIP 就是這個設計）。
3. 缺失標記（Missing Token）：
在輸入序列中明確加入一個特殊的「缺失標記」（MISSING token），告訴模型「這個位置的資訊不存在」，比全零向量更明確，模型能學到「看到 MISSING 就不要依賴這個模態」。這是 Transformer 架構特有的優勢：attention mask 可以直接讓模型忽略缺失位置。
為什麼零向量填充（選項 A）不如模態感知訓練（選項 B）：
零向量填充在推論時使用，但訓練時模型從未見過全零向量，它不知道全零代表什麼。模態感知訓練則在訓練時就見過缺失情況，兩者的根本差異是：訓練分布和推論分布是否一致（distribution mismatch）。
錯選項
為什麼其他選項是錯的
A以零向量或固定向量填充缺失模態輸入
字面在說什麼
把缺失的那個模態輸入用一個全零的向量（或者某個固定的預設向量）代替，讓模型的輸入格式維持完整，不會因為缺少輸入而當機。
為什麼不對
零向量在訓練資料裡從未出現（訓練時兩個模態都有），模型不知道全零代表「缺失」，它會把全零當成一種有意義的真實輸入來解讀，通常輸出品質很差。這是訓練分布和推論分布不一致的問題（distribution mismatch）。比起讓模型天生就會處理缺失，事後填入假資料是更脆弱的修補。
誰會選錯
工程直覺很強的考生，覺得「輸入格式要完整，給個 placeholder 就行」。這個方案技術上可以讓程式不報錯，但模型輸出品質差，是治標不治本。
C利用生成模型（如 GAN 或自迴歸模型）預測並補全缺失模態資料
字面在說什麼
用另一個 AI（GAN 或 GPT 類）根據現有的模態「猜」出缺失模態的內容，再把生成的假資料當成真實輸入餵給主模型。
為什麼不對
這個方法引入了額外的不確定性：生成模型可能生成有幻覺的內容（特別是文字），如果生成的假文字說明描述錯誤，主模型反而會被誤導，比沒有文字輸入更危險。在醫療、金融等高風險場景尤其不可接受。而且這需要額外部署和維護一個生成模型，系統複雜度大幅增加，且問題根源（主模型沒有缺失感知）仍然存在。
誰會選錯
對生成 AI 充滿信心、覺得「缺什麼就讓 AI 補什麼」的考生。生成補全在某些場景（如圖像修復）有效，但在多模態推理場景，假資料比缺失資料危害更大。
D直接捨棄缺少模態的樣本，避免干擾訓練或推論
字面在說什麼
訓練時只用兩個模態都完整的資料，遇到缺失的樣本就跳過；推論時如果遇到缺失就拒絕處理。
為什麼不對
訓練時捨棄缺失樣本是可行的，但會損失資料量。更大的問題在推論時：真實世界的使用者常常只有部分模態（偏鄉診所只有 X 光片），如果模型遇到缺失就拒絕服務，那這個多模態系統的實用性大打折扣。題目問的是「最有效維持模型效能」，捨棄樣本不是維持效能，是迴避問題。
誰會選錯
謹慎的工程師，覺得「垃圾進垃圾出，不如不進」。這個想法在資料品質管控上是對的，但當「缺失」是現實世界必然存在的情況而非資料錯誤，捨棄就等於放棄了一大塊真實應用場景。
變形題
同個考點下次怎麼變形
假設文字說明是最重要的輸入，只剩圖像，模型能表現多好？
答案
效能一定下降，但幅度取決於兩個模態的資訊互補程度。如果文字說明提供了圖像完全看不到的資訊（例如患者年齡、症狀持續時間），那缺少文字會讓準確率明顯下降。設計良好的缺失感知模型會知道「我現在只有圖像，信心度較低」，可以輸出更寬的信心區間（uncertainty calibration），而不是給出一個假裝很確定的錯誤答案。
捨棄是迴避問題，但有沒有時候捨棄才對？
答案
有兩種情況合理：1. 缺失比例很低（不到 1%），捨棄不影響訓練集的代表性，而處理缺失的複雜度不值得。2. 缺失資料缺的是根本性資訊，補全或感知訓練都沒法彌補，例如做視覺-語音配對時，語音根本沒有錄製，不是「缺失」而是「根本不存在」。這時捨棄比強行訓練一個假設「語音只是剛好缺了」的模型更誠實。
CLIP 同時處理圖像和文字，它遇到只有圖像的情況怎麼辦？
答案
CLIP 的設計讓它天然對模態缺失有一定抵抗力。CLIP 把圖像和文字分別編碼成同一個語意空間的向量，用對比學習讓對應的圖文向量靠近。這個設計下，圖像編碼器和文字編碼器相對獨立，只給圖像時直接用圖像編碼器輸出向量，只給文字時用文字編碼器，不需要特別的缺失處理。CLIP 的局限是融合兩個模態做細粒度推理時，單模態效能確實較弱。
電商用戶可能缺少某些欄位（如年齡沒填），這和多模態缺失是同一類問題嗎？
答案
邏輯相同，但規模和解法有些差異。表格欄位缺失通常用插補（Imputation）：均值填充、KNN 插補、或訓練一個插補模型。多模態缺失的「模態」通常是高維的（圖像、音訊），插補代價高，所以更常用感知訓練。但核心邏輯一致：讓模型在訓練時見過缺失情況（masked features），比事後插補更根本。XGBoost 等樹型模型本來就能處理 NaN 值，相當於內建了「欄位缺失感知」。
看效能掉多少就知道了？
答案
有更系統的評估方式。比較三種情況：全模態準確率（100% baseline）、缺失一個模態的準確率（Degradation Rate，效能降低幅度）、以及「缺失比例 vs 效能」曲線（隨著缺失比例從 0% 到 100%，效能如何衰退）。理想的感知訓練模型應該在缺失比例低時效能接近全模態，在缺失比例高時仍然優於零向量填充方案。信心校準（Calibration）也是重要指標：缺失時模型是否知道自己不確定。
延伸
想再往下看，這 5 個
- 多模態學習（Multimodal Learning）
同時整合圖像、文字、音訊等多種資料的 AI 學習範式，是本題模態缺失問題的直接背景。 - 對比語言圖像預訓練（CLIP）
OpenAI 將圖文對齊至同一語意空間，天然具備單模態推論能力，是模態缺失感知設計的實作典範。 - 對比學習（Contrastive Learning）
將不同模態的表示拉近、不同樣本推遠，使缺少某一模態時仍能在共同空間做推理。 - 穩健性（Robustness）
模型在輸入受干擾或分佈偏移（如模態缺失）時維持正確預測的能力，是評估缺失感知訓練效果的核心指標。 - 資料擴增術（Data Augmentation）
隨機遮蔽某一模態本質上是一種資料擴增，讓模型在訓練時接觸到各種缺失組合，提升泛化能力。