本文解决多模态情感分析任务中模态缺失的问题。在现实世界的应用中，由于背景噪声、传感器限制和隐私问题等因素，模态数据往往不完整，这会严重影响基于完整模态训练的模型的性能。例如，当某些模态完全缺失或部分帧级特征丢失时，模型可能会做出错误的情感预测。尽管已有研究尝试解决模态缺失问题，但现有方法仍存在以下局限性：：仅基于单个样本的交互，无法充分利用样本间的结构化语义信息。：导致情感相关信息丢失，类别分布混

现有的多模态情感分析在对于具有讽刺意味的数据识别还存在巨大挑战，讽刺可以定义为说出或写出与某人的意思相反的内容，或者以一种让某人感到愚蠢或愤怒的方式说话。例如，当某人写了一些积极的内容，但内容的含义是消极的，反之亦然。这使得情感分析变得更加复杂。由于讽刺的模糊性和复杂性，检测讽刺变得具有挑战性。现有的多模态讽刺检测（MSD）模型存在数据集偏差的问题，特别是统计标签偏差和无关讽刺词汇偏差。这些偏差会