人类情感的不确定度测量
本文利用贝叶斯神经网络,如 MC-Dropout,MC-DropConnect 或 Ensemble 来建模 Facial emotion recognition 中的 aleatoric 不确定性,在这个任务中产生更接近人类预期输出的概率,并展示了校准度量展示的奇怪行为,这激励未来的研究。我们相信我们的工作将鼓励其他研究者从 Classical 转向 Bayesian 神经网络。
Aug, 2020
通过综合多学科的方法,本文全面概述了情感分析在视觉媒体中的领域,并强调了最有前途的方法,讨论了技术挑战和限制以及情感理解技术的伦理影响和潜在社会影响。
Jul, 2023
本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法,可以更精确地预测,提高分类器的预测准确性,尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。
Jul, 2019
本文提出了一种基于贝叶斯训练损失的情感识别法,该方法可以对不同情感类别的独热标签下的不确定性进行建模,在基于独热标签的情感分类基础上进行了进一步的改进,进而实现了在单语音情感分类中的最先进结果。
Mar, 2022
通过研究概念为基础的模型,作者认为通过训练不确定的概念标签有助于减轻概念为基础的系统处理不确定干预时的弱点,从而披露了一些开放性挑战,并提到未来需要进行多学科研究来构建交互式的不确定性感知系统。
Mar, 2023
通过运用证据深度学习的方法,本文研究了处理模糊情感的三种方法。我们发现将没有多数一致标签的话语作为分类器的额外类别会降低其他情感类别的分类性能。然后,我们提出通过量化情感分类的不确定性来检测具有模糊情感的话语,将其视为域外样本。这种方法可以保持分类准确性同时有效地检测模糊情感表达。此外,为了获得模糊情感的细粒度区分,我们提出以分布形式表示情感,而非单一类别标签。因此,任务从分类重新定义为分布估计,考虑每个个体标注而非仅仅多数意见。证据不确定性度量方法被扩展用于量化情感分布估计中的不确定性。在 IEMOCAP 和 CREMA-D 数据集上的实验结果证明了所提出方法在多数类别预测、情感分布估计和不确定性估计方面的卓越能力。
Feb, 2024
针对机器学习模型影响采纳的关键因素之一 —— 信任,本研究提出了一组特征量,可以表征一个实例的复杂程度,并借助元学习框架评估误分类的风险。该框架在提高模型开发的复杂性方面具有潜在的应用前景,同时提供新的模型自我阻抗和解释手段。
Apr, 2023
本研究进行实证研究,以确定不确定性估计和模型解释对用户对模型的信任和理解的影响,探讨如何将自信度纳入分析结果以提高决策求同的准确性。
Apr, 2023
本文通过对文献的元分析,发现大多数计算机视觉应用都没有使用恰当的认识不确定性量化方法,从而忽略了模型自身的局限性。我们描述了使用没有适当的不确定性量化的模型所产生的后果,并激励社区采用具有适当校准的认知不确定度的模型版本,以实现让模型具有识别未知数据集的能力。在本文中,我们还总结了计算机视觉应用程序中不确定性估计的挑战和建议。
Apr, 2021