원래 이름 기록: 众数（厦门）信息科技有限公司

本发明提供多模态大模型低资源模态自适应学习方法，涉及数据处理技术领域，所述方法包括：基于凹凸性标识结果将基准拓扑单元中的多边形划分为凸性区域和凹性区域，并对基准拓扑单元进行分割生成多尺度拓扑分区，将低资源模态数据流映射至多尺度拓扑分区的对应域并提取多分辨率结构特征；基于多尺度拓扑分区中的每个多边形计算几何特征参数，将多分辨率结构特征与高资源模态数据流进行匹配，生成异构特征拓扑；将异构特征拓扑进行优化操作，得到深度优化的模型参数配置；对深度优化的模型参数配置进行验证，调整模型超参数集合，得到低资源模态自适应多模态大模型。本发明有效提升多模态大模型对低资源模态的特征提取精度与自适应适配能力。

本发明提供多模态大模型模态缺失数据补全方法，涉及数据处理技术领域，所述方法包括：步骤1，对多模态输入数据进行缺失值检测与编码处理，分析数据内部特征之间的关联，通过特征重组生成结构化特征表示，并结合局部特征之间的相关性生成特征校准参数，得到各模态的数值型特征向量和掩码矩阵；步骤2，将数值型特征向量和掩码矩阵输入特征融合模型，并对模态内与模态间的上下文依赖关系进行分析，通过计算特征分布椭圆的主轴参数，对椭圆特征进行旋转校正，生成初步校正的融合特征表示。本发明通过特征分布椭圆校正与全局上下文检索，提升多模态缺失数据补全的准确性与智能性。

本发明涉及数据处理技术领域，公开了多模态大模型跨模态特征对齐优化方法，包括：获取工业设备的多模态数据，多模态数据分为长尾小众模态数据和主流模态数据，对长尾小众模态数据进行分解处理，生成时频共生特征张量，长尾小众模态数据为工业设备的振动信号，通过生成的多模态对齐特征向量，避免长尾模态特征数据在统一特征空间中被主流模态数据淹没的边缘化问题，提升跨模态特征对齐时数据处理的泛化能力与语义一致性，优化工业多模态数据的协同处理精度，同时强化特征表达的稳定性、结构规整性与核心辨识度，保障多模态数据对齐的精准性与结构化水平，改善工业监控场景下多模态数据处理效果。