这篇题为《Tackling Multimodal Learning Challenges with Mixture-of-Expert: A Survey》的综述论文由 Liangwei Nathan Zheng 领衔，连同另外四位作者共同完成，已于 2026 年 5 月 22 日提交至 arXiv，编号为 arXiv:2605.27431v1，归类于机器学习（cs.LG）与人工智能（cs.AI）两个学科方向。论文摘要被收录在 arXiv 的“new”公告类型中。根据作者在论文注释中的说明，该综述已被 IJCAI 2026 接收，录用结果于 2026 年 4 月 30 日前公布；由于找不到合适的地方提交录用邮件，作者将录用邮件与论文的 LaTeX 源文件一并上传。提交版本大小为 232 KB，提交时间为 2026 年 5 月 22 日 05:01:21 UTC，DOI 经由 DataCite 分配（注册尚待完成）。
论文关注的核心问题是：混合专家（Mixture-of-Experts，MoE）究竟如何有效解决多模态学习中的挑战。作者指出，MoE 与多模态学习在结构上天然契合，是一个可扩展的框架，在多种模态和任务上展现出较强的适应性。然而，尽管相关研究不断取得成功，学界仍缺乏一篇全面、系统地梳理 MoE 方法如何应对多模态难题的综述。现有的综述往往只单独评估多模态学习或单独评估 MoE，且多从方法分类的角度出发，忽视了二者之间独特的相互作用。这篇综述正是为填补这一空白而写。
作者从三个关键视角组织全文。第一，把 MoE 视为高效的多模态引擎：通过将计算成本与参数规模增长解耦，并借助选择性的专家激活来缓解模态冗余，从而支撑可扩展的多模态建模。第二，把 MoE 视为多模态表示学习器：整合来自多个专家、彼此互补的多样化意见知识，以丰富对齐与交互层面的表示。第三，把 MoE 视为多模态适配器：提供模块化且灵活的机制，用于建模模态不均衡、模态缺失等不理想的数据场景。
在广泛梳理文献的基础上，作者识别出若干关键研究空白，包括可解释的路由机制、专家之间的通信、模态集成以及终身多模态学习等方向。作者将这篇综述定位为未来研究的基础，指向可解释且可持续的多模态混合专家系统。论文提供了 PDF、实验性 HTML 以及 TeX 源码等多种访问形式，并附带参考文献与引用工具链接。