Jul, 2024

借助去混淆训练的因果解谜视角实现面向上下文感情识别的去偏差

PDF
TL;DR通过使用上下文感知情绪识别（CAER）方法解决数据集中的上下文偏差问题，利用因果推理和定制化因果图来消除干扰变量，在模型训练中使用基于反向推理校正理论的 Contextual Causal Intervention Module（CCIM）实现近似因果效应，并通过实验证明 CCIM 的有效性。
context-aware emotion recognitioncontextual informationcontext biascausal inferencecontextual causal intervention module (ccim)
发现论文，激发创造
  • 语境去混淆的情感识别

    本文提供了基于因果关系的视角来解决 “上下文感知情感识别（CAER）” 中的数据集中存在的偏见问题。通过构建因果图，设计了 Contextual Causal Intervention Module (CCIM) 来提高模型表现并且在三个基准数据集上进行了充分的实验来证明其有效性和重要性。

    Mar, 2023

  • 上下文去偏的稳健情感识别

    提出了一个反事实情感推理框架 (CLEF)，通过消除上下文偏差和增强预测性能，改善情感识别中的整体因果效应。

    Mar, 2024

  • 基于上下文的情感识别网络

    该研究介绍了一种基于深度网络的上下文感知情感识别方法，利用了人脸表情和场景上下文信息进行情感识别，并通过引入新的基准数据集 CAER 在多个基准测试中表现出了上下文对于情感识别的有效性。

    Aug, 2019

  • 基于大型视觉 - 语言模型的上下文感知情感识别

    利用大型视觉语言模型 (LVLMs) 在上下文感知情感识别任务中的潜力解决了数据限制和情感偏见的问题，并通过引入上下文学习 (ICL) 和思维链 (CoT) 来提高模型的推理能力和可解释性。

    Jul, 2024

  • 识别情绪之间的条件因果关系及其相应条件

    确定是否在不同的上下文范围内表达出的情绪和原因具有有效的因果关系，并提取参与因果关系的特定上下文从而构建一个可用于平衡具有和没有因果关系的文档数量的最终数据集，通过提出上下文屏蔽模块来提取参与因果关系的上下文子句，并通过提出预测聚合模块根据输入的情绪和原因是否依赖于特定的上下文子句来调整预测结果，验证了我们提出的框架的有效性和普遍性。

    Nov, 2023

  • 基于上下文和情感嵌入特征的四要素情感认知框架 CEFER

    本文提出了一种同时考虑语境和情感的框架 CEFER（Context and Emotion embedded Framework for Emotion Recognition），提高了对文本中隐含情感的识别准确率。

    Sep, 2022

  • 消除位置偏见：一种知识感知图模型用于情绪原因抽取

    本研究提出了一种新的方法来消除情感诱因提取任务中数据集的偏差，并在对抗样例上进行了测试，同时采用基于图的方法来显式地建模情感触发路径以增强语义依赖性。实验的结果表明，我们的方法不仅表现与现有技术水平一致，并且比现有的模型更具鲁棒性。

    Jun, 2021

  • 图像情感识别的高层次语境表示

    本文提出了一种从图像中提取高级语境表示的方法，利用单个线索和单个编码流与情感相关联，并且该模型的执行效率比以前的模型更高，其在 EMOTIC 数据集上达到了 0.3002 的 mAP 并且能够在消费级硬件上以每秒大约 90 帧的速度执行，容易部署在解决与情感识别相关的现实问题中。

    May, 2023

  • 基于深度学习的多模态对话情感识别综合调查

    综述了多模式对话情感识别的建模方法，大致划分为无上下文建模、顺序上下文建模、说话人差异建模和说话人关系建模四个类别，并讨论了多模式特征提取方法、应用领域、挑战和未来发展方向。希望能够帮助研究人员理解当前情感识别研究的现状，提供一些启示，并开发出更高效的模型。

    Dec, 2023

  • 因果关注用于无偏视觉识别

    本文提出了一种因果关系注意力模块，通过自我注释来识别难以预测的混淆变量，从而使深度学习模型更好地处理在分布不同的情况下仍具备鲁棒性的因果特征，不仅解决了监督注释需要高昂成本、混淆变量难以抽象提取等问题，并在相应实验中得到了卓越的结果。

    Aug, 2021