情感识别的可解释快速深度神经网络

在人工智能语境下，人类进行逻辑推理以促进决策的内在属性被可解释性概念所映射，这涉及模型能够提供清晰可解释账户，以说明其如何得出特定结果。本研究探讨了在情感分类框架中针对深度神经网络架构的可解释性技术。我们研究了针对情感识别优化输入特征的二进制分类器，采用改进版集成梯度可解释性方法进行面部关键点检测。本文的主要贡献在于运用一种创新的可解释人工智能算法来理解情感体验期间关键面部关键点运动，并利用这些信息改进深度学习情感分类器的性能。通过可解释性，我们可以优化用于面部情感识别的面部关键点数量和位置，从而降低噪声关键点的影响，从而提高所开发模型的准确率。为测试所提出方法的有效性，我们考虑了一组针对情感分类训练的深度二进制模型，最初使用完整的面部关键点训练，随后根据合适的优化程序逐步减少关键点。获得的结果证明了所提出可解释方法在理解不同情感下不同面部点的相关性方面的鲁棒性，同时提高了分类准确率并降低了计算成本。