跨模态动态树连接

20/24跨模态动态树连接第一部分跨模态互联的特性 2第二部分动态树连接的原理 5第三部分异构数据间的表征学习 7第四部分场景信息与模态序列交互 10第五部分时间演化动态建模 13第六部分层次结构与注意力机制 15第七部分跨模态关系推理与预测 17第八部分应用场景与未来展望 20

第一部分跨模态互联的特性关键词关键要点跨模态关联层面的数据融合

1.跨模态动态树连接模型利用不同模态之间固有联系，将不同模态的数据融合为单一表征。

2.通过引入注意力机制，模型能够动态地调整不同模态在融合过程中的重要性，从而捕捉多模态数据的复杂交互。

3.数据融合有助于提高跨模态任务的性能，例如图像字幕、视频问答和多模态情感分析。

跨模态交互关系的捕获

1.跨模态动态树连接模型旨在识别和捕获不同模态数据之间的交互关系。

2.通过构建树状结构，模型允许不同模态以交互和分层的方式融合，反映跨模态数据的层次化特性。

3.交互关系的捕获有助于理解不同模态之间的语义关联，并为跨模态任务提供更丰富的表征。

多模态信息的协同学习

1.跨模态动态树连接模型促进不同模态信息的协同学习，通过共享和交换知识来增强表征。

2.模型利用多任务学习框架，允许不同模态的任务同时优化，从而鼓励跨模态知识的迁移。

3.协同学习有助于提高跨模态任务的一般化能力，并减少对特定模态训练数据的依赖。

动态树结构的适应性

1.跨模态动态树连接模型采用动态树结构，可以适应不同跨模态数据集的复杂性和差异性。

2.树的结构在训练过程中不断更新，以反映不同模态的最佳交互模式，从而提高模型在不同任务上的可移植性。

3.动态树结构允许模型处理具有不同数据分布和模态数量的跨模态数据集。

跨模态表征的多样性

1.跨模态动态树连接模型产生跨模态表征的多样性，捕捉不同模态的互补信息。

2.模型利用多个注意力机制，允许不同模态在不同的层次上进行交互，从而生成具有多方面信息的多样化表征。

3.多样化的表征有助于提高跨模态任务的鲁棒性和适应性，并减少过度拟合的风险。

可解释性和可视化

1.跨模态动态树连接模型提供可解释性和可视化，让人们了解不同模态在跨模态任务中的贡献。

2.树状结构提供直观的表示，显示不同模态是如何交互和融合以产生最终表征的。

3.可解释性和可视化有助于理解模型的决策过程，并为跨模态表征的优化提供见解。跨模态互联的特性

跨模态动态树连接（CMDTC）是一种神经网络模型，旨在连接不同模态的数据，并从这些模态中的交互中学习。其跨模态互联功能具有以下特性：

1.多模态数据融合：

CMDTC能够将来自不同模态的数据源（例如文本、图像、视频）融合到一个统一的表示中。这允许模型从不同视角理解和分析数据，并发现跨模态模式。

2.模态间关系建模：

CMDTC显式建模了不同模态之间的关系。通过使用联合嵌入和注意机制，模型可以确定不同模态中相关特征之间的对应性和交互。

3.模态间信息传递：

CMDTC促进跨模态信息传递，允许不同模态中的知识和信息相互补充和增强。这有助于模型对数据进行跨模态推理并生成更全面和准确的结果。

4.模态自适应表示：

CMDTC学习了各个模态的自适应表示，捕捉了每个模态的独特特征和模式。这种适应性表示允许模型对不同模态的差异和细微差别进行建模。

5.动态连通性：

CMDTC采用了一种动态连通性机制，该机制可以根据特定任务或输入数据动态调整不同模态之间的连接强度。这允许模型根据任务要求和数据特征量身定制其跨模态交互。

6.模态特定转换：

CMDTC引入了模态特定转换操作，该操作将不同模态的数据投影到一个共同的语义空间中。这有助于桥接不同模态之间的语义鸿沟，并促进跨模态知识共享和理解。

7.模态无关任务：

CMDTC旨在解决跨模态任务，不受特定任务约束。这意味着模型可以泛化到各种跨模态场景，例如图像字幕、视频问答和机器翻译。

具体示例：

*在图像字幕任务中，CMDTC可以融合文本和图像信息，以生成更准确和全面的图像描述。

*在视频问答任务中，CMDTC可以利用视频、音频和文本信息，以提供对复杂视频片段的问题的全面回答。

*在机器翻译任务中，CMDTC可以翻译不同语言之间不同的文本类型，同时保留跨语言的语义关系。

总之，CMDTC的跨模态互联特性赋予它融合、建模、传递和理解不同模态数据的强大能力。这种互联性对于解决各种实际跨模态任务至关重要，并为多模态人工智能的进一步发展铺平了道路。第二部分动态树连接的原理关键词关键要点跨模态表示学习

1.跨模态表示学习的目标是学习能够在不同模态之间泛化的表示。

2.跨模态表示学习方法包括基于约束和基于映射的策略。

3.跨模态表示学习在自然语言处理、计算机视觉和语音识别等领域中有着广泛的应用。

图神经网络

1.图神经网络是一种能够处理图结构数据的神经网络。

2.图神经网络通过迭代聚合节点的特征来学习图的表示。

3.图神经网络已被成功应用于节点分类、链接预测和图生成等任务中。

动态图

1.动态图是在运行时不断变化的图。

2.动态图可以用来表示具有时序关系的数据。

3.动态图神经网络是一种能够处理动态图的图神经网络。

注意机制

1.注意机制是一种用于赋予模型重点关注特定输入部分的机制。

2.注意机制通过自注意力或跨注意力来计算词或特征之间的相关性。

3.注意机制在自然语言处理、计算机视觉和语音识别等领域中有着广泛的应用。

时空推理

1.时空推理涉及同时对时序和空间关系进行推理。

2.时空推理方法包括基于卷积神经网络和基于图神经网络的策略。

3.时空推理在视频分析、时序预测和医疗成像等领域中有着重要的应用。

图生成模型

1.图生成模型是一种能够生成新图的模型。

2.图生成模型包括基于变分自编码器和基于生成对抗网络的策略。

3.图生成模型在分子设计、社交网络分析和文本摘要等领域中有着潜在的应用。跨模态动态树连接的原理

跨模态动态树连接是一种神经网络架构，它通过将不同模态（例如视觉和文本）的表示映射到一个共享的语义空间，来实现跨模态表示学习。其核心思想是：

动态树结构：

动态树连接采用一棵树形结构，其中每个节点代表一个模态的表示。树的根节点是语义空间中的一个嵌入，它从不同模态的表示中动态地聚合信息。

树连接：

树连接过程通过节点之间的边缘实现。每个边缘表示两种模态之间的关联强度。边缘权重指示特定模态与共享嵌入的关联程度。

信息聚合：

信息聚合通过树的纵向传播实现。根节点将从各个模态节点接收的信息聚合在一起，形成跨模态语义嵌入。

训练流程：

跨模态动态树连接的训练涉及两个主要阶段：

1.预训练：

-每个模态的嵌入使用监督学习从模态特定的任务（例如图像分类或文本编码）中预训练。

2.联合训练：

-树形结构连接不同的模态嵌入。

-边缘权重通过最小化模态之间距离或最大化相关性的损失函数进行优化。

-根节点嵌入代表跨模态语义空间，用于跨模态任务。

优点：

*跨模态泛化：跨模态动态树连接允许不同模态的表示在共享语义空间中进行交互，促进跨模态泛化。

*模态互补：不同模态的互补信息有助于丰富语义嵌入，提高表示的鲁棒性和信息量。

*可扩展性：树形结构允许轻松添加或删除模态，提高架构的可扩展性。

应用：

跨模态动态树连接已广泛应用于各种跨模态任务，包括：

*视觉问答

*图像字幕

*视频理解

*跨模态检索

*文本到图像生成第三部分异构数据间的表征学习关键词关键要点异构数据间的表征学习

主题名称：空间对齐

1.提出空间对齐机制，通过最小化不同模态表征之间的距离，实现跨模态异构数据的对齐。

2.利用预训练的模型提取不同模态数据的内部知识，例如视觉特征提取器和语言模型。

3.通过对抗训练或度量学习等技术，强制不同模态表征在语义空间中保持一致。

主题名称：时序对齐

异构数据间的表征学习

异构数据泛指具有不同数据模式（如图像、文本、音频和视频）或来自不同域的数据集合。它们之间的表征学习旨在学习一个共享表征空间，以便对不同模式或域的数据进行有效且统一的处理。

表征学习的目标

数据整合：通过学习异构数据的共享表征，可以将它们整合到一个统一的框架中，方便后续的分析和建模任务。

数据翻译：共享表征空间允许在不同数据模式或域之间进行数据翻译或转换，实现基于异构数据的互操作性。

特征提取：表征学习可以从中提取跨模式或跨域的通用特征，这些特征对于解决下游任务（如分类、回归和生成）至关重要。

方法

监督学习：利用带标签的数据对异构数据进行监督学习，学习一个能够最小化模式或域间差异的共享表征。

自监督学习：通过构造预训练任务（如图像颜色化、文本预测或视频动作识别）来学习共享表征，无需使用带标签的数据。

对抗学习：采用对抗网络框架，一个生成器学习共享表征以混淆一个判别器，判别器试图区分不同模式或域的数据。

图神经网络（GNN）：将异构数据表示为图结构，利用GNN来学习节点（数据点）之间的关系和表征。

目标函数

常用的目标函数包括：

最大化似然函数：最小化分布差异或条件分布差异，以学习共享表征。

最大化互信息：最大化不同模式或域数据之间的互信息，以捕获它们之间的相关性。

最大化对齐损失：将不同模式或域的数据投影到一个共享表征空间，并最小化投影之间的差异。

应用

跨模态动态树连接（MDTC）在异构数据表征学习中得到了广泛应用。它通过探索数据模式或域之间的动态关系来学习共享表征。

其他应用包括：

计算机视觉：图像和文本之间的联合表征学习，用于图像理解和文本到图像生成。

自然语言处理：文本和音频之间的联合表征学习，用于语音识别和机器翻译。

多模态情感分析：文本、图像和音频之间的联合表征学习，用于情感分析和文本生成。

挑战

异构数据表征学习面临着以下挑战：

模式或域差距：不同模式或域的数据之间存在固有差异，这给共享表征的学习带来了困难。

数据规模：异构数据集通常规模庞大，这增加了训练和评估表征模型的复杂性。

计算成本：表征学习任务通常涉及复杂的模型和算法，需要大量的计算资源。

未来发展

异构数据表征学习的研究领域不断发展，未来有以下几个发展方向：

多模态学习：探索更多的数据模式并建立多模态融合模型。

动态表征学习：研究可以随着时间推移自适应更新共享表征的动态学习方法。

可解释性：开发可解释的表征学习方法，以深入了解共享表征的含义和重要性。第四部分场景信息与模态序列交互关键词关键要点主题名称：多模态表征学习

1.提出一种结合图像和文本模态的联合表征学习框架，充分利用跨模态线索促进特征提取。

2.利用注意力机制对不同模态信息进行加权融合，捕捉它们之间的相互影响和关联性。

3.采用对抗性训练策略，鼓励模型学习具有模态无关特征的表征，增强跨任务泛化能力。

主题名称：动态树结构

场景信息与模态序列交互

场景信息与模态序列交互

在跨模态动态树图连接任务中，场景信息起着至关重要的作用，它为模态序列之间的交互提供了丰富的上下文信息。场景信息通常以各种形式表示，例如图像、文本或音频，包含有关场景中对象、动作和事件的重要线索。

场景信息的整合

将场景信息整合到模态序列交互中是跨模态动态树图连接的关键步骤。通常采用以下方法实现场景信息的整合：

*直接连接：将场景信息直接作为模态序列中的额外节点，与其他模态节点建立连接。

*特征提取：从场景信息中提取视觉特征或语义特征，并将其作为模态序列节点的附加属性。

*注意力机制：使用注意力机制动态地分配场景信息权重，并将其与模态序列进行交互。

模态序列的交互

在场景信息的辅助下，模态序列之间可以进行各种交互：

*信息补充：不同模态序列可以相互补充，提供场景的全面理解。例如，文本模态可以提供详细的事件描述，而图像模态可以提供视觉验证。

*歧义消除：场景信息可以帮助消除模态序列中的歧义。例如，当文本序列中存在多个可能的含义时，图像序列可以提供视觉线索来确定正确的解释。

*语义对齐：场景信息可以促进不同模态序列之间的语义对齐。通过共同关注场景中重要的对象或事件，模态序列可以建立一致的语义理解。

场景信息与模态序列交互的优势

将场景信息与模态序列交互引入跨模态动态树图连接任务具有以下优势：

*增强语义理解：场景信息提供了丰富的上下文信息，有助于更深入地理解模态序列中的语义内容。

*提高连接准确性：场景信息有助于消除模态序列之间的歧义，并为连接决策提供更可靠的基础。

*扩展适用范围：场景信息的整合使跨模态动态树图连接任务能够处理更广泛的场景和数据类型。

*提升交互效率：通过利用场景信息中的相关线索，交互过程可以变得更加高效和有针对性。

应用场景

场景信息与模态序列交互在跨模态动态树图连接任务中有着广泛的应用，包括：

*视频字幕生成：利用视觉和文本场景信息生成视频字幕，提高字幕的准确性和流畅性。

*图像故事生成：根据图像场景信息生成故事，增强图像的叙事性和趣味性。

*音频转文本：利用音频场景信息辅助音频转文本，提高转录准确性。

*文本摘要：利用文本和图像场景信息生成文本摘要，提高摘要的信息性和简洁性。第五部分时间演化动态建模时间演化动态建模

时间演化动态建模是一种建模技术，用于捕捉数据流中随着时间的推移而变化的模式和关系。它旨在从连续的时间序列数据中提取有意义的信息，以用于预测、分类和异常检测等任务。

时间演化动态建模的基本原理

时间演化动态建模基于以下基本原理：

*时序数据：数据由一系列随着时间的推移而变化的观察值组成，称为时序数据。

*隐藏状态：数据的潜在结构或模式可以用一系列隐藏状态来表示，这些状态随着时间的推移而演变。

*观测模型：隐藏状态与观测到的数据值之间存在一个观测模型，该模型指定如何从隐藏状态生成观测值。

*动态模型：隐藏状态随着时间的推移而演变，由一个动态模型描述，该模型指定如何从当前状态转换到下一状态。

时间演化动态建模方法

时间演化动态建模方法可以分为两类：

*线性方法：使用线性模型来表示动态模型和观测模型。常见的线性方法包括Kalman滤波器、隐马尔可夫模型和状态空间模型。

*非线性方法：使用非线性模型来表示动态模型和观测模型。常见的非线性方法包括粒子滤波器、序列蒙特卡罗方法和递归神经网络。

时间演化动态建模的应用程序

时间演化动态建模在广泛的应用程序中得到应用，包括：

*预测：预测未来时序数据的取值，例如预测股票价格或天气模式。

*分类：将时序数据分类为不同的类别，例如检测医疗异常或识别语音命令。

*异常检测：检测与正常模式显着不同的异常事件，例如欺诈检测或故障诊断。

*控制：控制动态系统以优化目标，例如控制机器人或调节温度。

*数据融合：从多个来源融合时间序列数据，例如结合传感器数据和计算机视觉数据来实现目标跟踪。

时间演化动态建模的优点和缺点

优点：

*能够捕捉动态变化的模式和关系。

*可以处理连续的时间序列数据。

*提供对数据的潜在结构和演变的见解。

缺点：

*模型复杂，可能难以估计和解释。

*对于长期依赖关系的数据，性能可能会下降。

*需要大量数据才能训练模型。

总体而言，时间演化动态建模是一种强大的建模技术，用于分析和预测随着时间推移而变化的数据。它在广泛的应用程序中得到应用，但需要仔细考虑其复杂性和数据要求。第六部分层次结构与注意力机制关键词关键要点【层次结构与注意力机制】

1.层次Attention结构：将序列表示为树状层次结构，每个节点代表一段文本，通过注意力机制整合不同层级的信息，增强文本理解和推理能力。

2.多粒度Attention机制：使用不同尺寸的卷积核提取序列的不同粒度特征，通过多个Attention头对不同粒度的特征进行加权求和，捕捉文本中的丰富信息。

3.局部和全局注意力机制：结合局部和全局注意力机制，既能捕获局部文本特征，又能获取全局信息，提升模型对长文本建模和理解能力。

【跨模态语义对齐】

层次结构与注意力机制

在跨模态动态树连接模型中，层次结构和注意力机制协同作用，有效地捕捉多模态数据之间的复杂关系。

层次结构

层次结构将不同的模态数据组织成树形结构。每个结点代表一个数据片段，而边连接具有相似性的片段。这种结构允许模型对数据进行分层表示，从而提取不同粒度的特征。

注意力机制

注意力机制允许模型专注于特定结点及其邻域，同时抑制无关信息。在动态树连接中，注意力机制由两个部分组成：

*时空注意力：关注不同时间步长和模态的树形结构中相关结点。

*空间注意力：关注结点及其局部邻域中相关的特征。

层次结构和注意力机制的交互

层次结构和注意力机制相互补充，共同提高模型的性能：

*层次结构为注意力机制提供全局上下文：树形结构提供了不同抽象级别的数据表示，使注意力机制能够访问全局信息，从而做出更明智的决策。

*注意力机制增强了层次结构中的局部细节：通过抑制无关结点，注意力机制使模型能够专注于树形结构中具有辨别力的局部特征，从而提高模型对特定模式和关系的敏感度。

跨模态动态树连接模型

利用层次结构和注意力机制，跨模态动态树连接模型可以对多模态数据进行以下处理：

*多模态融合：将不同模态的数据片段连接起来，形成一个统一的树形表示。

*时序モデリング：捕捉数据中的时序关系，通过将结点连接到不同时间步长。

*注意力引导：通过时空和空间注意力机制，选择性地专注于相关信息，抑制噪声。

*动态更新：随着新数据到达，动态更新树形表示，不断调整注意力权重，以适应不断变化的环境。

应用

跨模态动态树连接模型已在各种应用中展示了其有效性，包括：

*视频理解：捕捉视频剪辑中的动作、对象和场景的关系。

*自然语言处理：对文本和语音数据进行语义表示和问答。

*跨模态检索：在不同的模态（如文本、图像和音频）之间搜索和匹配信息。

*预测分析：利用多模态数据（如传感器读数、图像和文本）预测未来事件。

优点

跨模态动态树连接模型的优点包括：

*多模态融合：有效地融合来自不同模态的数据。

*层次表示：对数据进行分层表示，捕捉不同粒度的特征。

*注意力引导：通过注意力机制专注于相关信息，提高模型效率。

*动态更新：适应不断变化的环境，实时更新树形表示。

结论

层次结构和注意力机制在跨模态动态树连接模型中协同作用，提供了一种有效且灵活的方法来处理复杂的多模态数据。该模型已在各种应用中展示了其潜力，并有望在跨模态人工智能领域进一步推动创新。第七部分跨模态关系推理与预测关键词关键要点跨模态关系推理与预测

主题名称：跨模态知识获取

1.从不同模态数据中提取和整合跨模态知识，包括文本、图像、音频和视频。

2.使用知识图谱和语言模型来表示和组织跨模态知识，实现跨模态语义对齐。

3.利用预训练模型和迁移学习来提高知识获取的效率和准确性。

主题名称：跨模态关系推理

跨模态关系推理与预测

跨模态关系推理与预测是跨模态动态树连接（CDTC）的关键任务之一，它旨在从不同模态的数据中推断和预测复杂的关系。CDTC通过利用异构图神经网络(HGNN)在多模态图结构中推理关系，从而实现跨模态关系推理。

关系推理

关系推理涉及从给定的多模态数据中推断关系模型和/或关系实例。CDTC采用HGNN构建异构图，其中节点表示不同模态的数据项（例如文本、图像、视频），而边表示跨模态关系。HGNN根据不同模态数据的语义和结构特征在异构图上传播信息，从而学习跨模态关系模式。

关系预测

关系预测的任务是根据训练数据预测新的跨模态关系实例。CDTC通过将HGNN训练为一个关系预测器来实现这一目标。训练后，该预测器可以接受新数据并预测新关系。例如，预测文本和图像之间的语义关系，或预测视频和音频之间的时空关系。

CDTC中的关系推理与预测方法

CDTC利用HGNN来执行跨模态关系推理与预测。以下是CDTC中常用的HGNN方法：

*异构图注意网络(HAN)：HAN是一种HGNN，为不同类型的节点分配特定的注意力机制，从而捕获不同模态数据之间的语义差异。

*异构图卷积网络(HGCN)：HGCN是一种基于卷积神经网络(CNN)的HGNN，利用卷积分解算子来聚合不同模态数据的邻域信息。

*图关系网络(GRN)：GRN是一种HGNN，通过将图结构转换为关系矩阵来学习关系模型，然后使用注意力机制来预测新关系。

跨模态关系推理与预测的应用

跨模态关系推理与预测在各种领域都有广泛的应用，包括：

*跨模态检索：根据文本、图像或视频查询来检索其他模态的数据。

*知识图谱构建：从多模态数据中自动提取和融合知识三元组，构建跨模态知识图谱。

*多模态语言理解：通过推理文本和图像之间的关系来增强文本理解。

*多模态推荐系统：根据文本、图像和用户行为等跨模态数据来推荐个性化的项目。

评估方法

评估跨模态关系推理与预测性能的常用指标包括：

*准确率：预测正确关系实例的比例。

*召回率：预测所有真实关系实例的比例。

*平均精度（MAP）：在排序列表中，预测正确关系实例的平均位置的倒数。

*规范化贴现累积收益（NDCG）：预测正确关系实例在排序列表中相对位置的折现总和。

当前挑战与未来方向

跨模态关系推理与预测仍然面临一些挑战，包括：

*模态异质性：不同模态的数据具有不同的表示形式和语义含义，这给关系推理带来挑战。

*关系复杂性：跨模态关系可以是复杂的，涉及多模态数据之间的多种交互和依赖关系。

*样本稀疏性：跨模态数据通常具有稀疏的结构，这给关系预测带来挑战。

未来的研究方向包括：

*开发更鲁棒的HGNN，以处理模态异质性和关系复杂性。

*探索多模态数据交互的新机制，以捕获更丰富的跨模态关系。

*利用外部知识和资源，例如预训练模型和知识图谱，以增强关系推理和预测。第八部分应用场景与未来展望关键词关键要点跨模态搜索引擎

1.利用跨模态动态树连接技术，跨模态搜索引擎能够同时处理文本、图像、视频和音频等多种模态信息。

2.通过建立跨模态语义关联，可以实现多模态查询，例如根据图像搜索相关文本或根据语音搜索相关视频。

3.跨模态搜索引擎可以为用户提供更加全面和相关的搜索结果，提升用户搜索体验。

多模态创作

1.跨模态动态树连接技术为多模态创作提供了基础，可以将不同模态的数据进行融合和生成。

2.例如，基于文本和图像，可以生成音乐；基于图像和视频，可以合成动画。

3.多模态创作拓展了内容创作的可能性，激发了创作灵感，推动内容产业创新。

智能人机交互

1.跨模态动态树连接技术使人机交互更加自然和高效，突破了传统文本或语音交互的限制。

2.例如，通过表情或手势，可以控制智能设备；通过跨模态问答，可以获得更加准确和全面的信息。

3.智能人机交互将提升用户体验，促进人与机器的无缝沟通。

情感分析与识别

1.跨模态动态树连接技术可以同时处理文本、语音、表情和动作等多模态数据，从而对情感进行综合分析和识别。

2.通过建立情感图谱，可以识别用户的情感状态，并进行情感分类和聚类。

3.情感分析与识别技术在客服、医疗、教育等领域具有广泛应用，有助于提升服务质量和用户体验。

跨模态推荐系统

1.跨模态动态树连接技术可以将不同模态的用户行为数据进行融合，建立用户兴趣的多模态画像。

2.基于融合后的用户画像，推荐系统可以提供更加个性化和精准化的推荐，提升用户满意度。

3.跨模态推荐系统在电商、社交、新闻等领域具有重要应用价值，可以推动个性化体验的升级。

知识图谱构建

1.跨模态动态树连接技术可以将不同模态的知识数据进行关联和融合，丰富和完善知识图谱。

2.例如，通过文本和图像数据，可以提取实体、关系和属性信息，并添加到知识图谱中。

3.跨模态知识图谱将为知识发现、智能问答和决策支持等应用提供更加强大的基础知识支撑。应用场景

跨模态动态树连接（MDTC）技术具有广泛的应用场景，其中包括：

自然语言处理：

*机器翻译：MDTC可通过动态地连接不同语言的树结构表示，提高机器翻译的准确性和流畅性。

*文本摘要：MDTC可根据文本的语义结构构建跨模态树连接，从而生成简洁而全面的摘要。

*问答系统：MDTC可通过跨模态连