Robust Emotion Recognition in Context Debiasing

最近，上下文感知情感识别（CAER）技术在无限制环境中的实际应用得到了提升。主流的CAER方法通常从不同的上下文和以主体为中心的特征中提取综合表示来感知目标人物的情感状态。尽管有了进展，最大的挑战仍然是由于上下文偏见干扰而产生的。有害的偏见强制模型依赖于背景上下文和情感标签之间的虚假相关性进行可能性估计，从而导致严重的性能瓶颈并混淆有价值的上下文先验。在本文中，我们提出了一个反事实情感推断（CLEF）框架来解决上述问题。具体而言，我们首先制定了一个广义因果图来解耦CAER中变量之间的因果关系。遵循因果图，CLEF引入了一个非侵入式的上下文分支来捕捉由上下文偏见引起的不良直接效应。在推断过程中，我们通过比较事实和反事实结果来消除总因果效应中的直接上下文效应，从而实现偏差缓解和鲁棒预测。作为一个模型无关的框架，CLEF可以轻松地集成到现有方法中，带来一致的性能增益。

解决Context-aware emotion recognition (CAER)中的上下文偏见干扰问题，提高情感识别的性能和鲁棒性。

提出了一种反事实情感推断（CLEF）框架，通过建立因果图来区分变量之间的因果关系，并引入非侵入式上下文分支来捕捉上下文偏见的直接影响，从而消除上下文偏见的影响，提高情感识别的性能和鲁棒性。

CLEF框架是一种模型无关的方法，可以与现有的方法集成，提高情感识别的性能和鲁棒性。实验结果表明，CLEF框架可以有效地减轻上下文偏见的影响，提高情感识别的准确性和鲁棒性。

最近的相关研究包括：'Context-Aware Emotion Recognition: A Survey and Future Directions'，'Context-Aware Emotion Recognition using Hybrid Model with Visual and Audio Features'等。