Feb, 2024

处理情绪中的模糊性：从领域外检测到分布估计

PDF
TL;DR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。
ambiguous emotionemotion classifierevidential deep learningemotion distribution estimationuncertainty estimation
发现论文，激发创造
  • 使用话语特定狄利克雷先验估计情感类别标签的不确定性

    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

  • 基于不确定性的文本可靠分类

    本文针对文本分类任务中的 OOD 检测问题，提出了基于证据不确定性的方法，该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模了类别概率的不确定性。实验证明，该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers，并在 OOD 检测上优于其他方法。

    Jul, 2021

  • 多模态语音情感识别和歧义解析

    本研究采用基于特征工程的方法来解决语音情感识别的问题，并通过提取八个手工特征，将问题形式化为多分类问题。通过比较传统机器学习分类器和深度学习模型的表现，我们表明轻量级的基于机器学习的模型在使用少量手工特征时能够实现与当前的深度学习方法相媲美的性能。

    Apr, 2019

  • 多任务情绪识别中的迭代蒸馏提高不确定性估计

    本研究通过采用贝叶斯观点，利用深度集成模型来捕捉多种情绪描述符，包括行动单位、离散表情标签和连续描述符，进而应用迭代自蒸馏技术，提出一种用于情绪识别的方法，并针对仅有单一情绪标签可用的情况下，实现情绪不确定性的建模和估计。实验结果表明，与 Temperature Scaling 和 Monte Carol Dropout 相比，我们的算法具有更可靠的不确定性估计。

    Jul, 2021

  • 众包标注数据的语音情感识别课程学习

    该研究提出了一种方法，旨在通过针对对情感识别的深度神经网络（DNN）的训练过程进行有针对性的课程设计来最大化其效率。

    May, 2018

  • 基于分布的对话情感识别

    提出了一个分布式框架，将自动情感识别作为序列到序列问题来解决，通过引入贝叶斯训练损失来改善情感分布的不确定性估计，从而更好地处理情感标签的不确定性，实验结果表明，分布式框架在情感分类和不确定性估计方面优于单次话语和传统的基于人工设计特征的方法。

    Nov, 2022

  • 深入研究模糊性：面部表情识别中的潜在分布挖掘与成对不确定性估计

    本文提出了一种名为 DMUE 的方法来解决面部表情识别中令人困惑的注释模糊性问题，它从潜在分布挖掘和成对不确定性估计两个角度入手，引入了一个辅助的多分支学习框架来更好地挖掘和描述标签空间中的潜在分布，并充分利用不同实例之间的语义特征对成对模糊程度进行评估，而且该方法不依赖于主干架构，并且不会增加额外的推演负担。在流行的真实世界基准测试和合成嘈杂数据集上，DMUE 稳定地实现了领先的性能。

    Apr, 2021

  • 不完整情感标签下的多任务情感识别

    本文中，我们使用数据平衡技术处理高度不平衡的实验数据，并提出了一种多任务模型的算法，通过使用软标签和真实标签来训练模型，解决了数据不全的问题，最终通过模型集成显著提高了面部动作单元检测、表情分类和情感估计的表现。

    Feb, 2020

  • 使用深度证据回归估计情感属性的不确定性

    本文提出了一种贝叶斯方法，使用 深度证据情感回归 (DEER) 估计情绪属性的不确定性，得到最新的 MSP-Podcast 和 IEMOCAP 数据集上情感自动识别的最佳结果。

    Jun, 2023

  • 面向标签无关情感嵌入

    本文提出了一种训练方案，可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示，通过实验表明，该方法能够实现所需的互操作性，而不降低预测准确率。

    Dec, 2020