基于情感识别跨任务不一致性的主动学习 (CTIAL)

情感识别是情感计算的关键组成部分。准确的机器学习模型通常需要大量标记数据。由于情感的微妙性和复杂性，需要为每个情感样本获取多个评估者的 ground-truth 标签，这既费时又昂贵。为节省标注成本，本文提出一种基于不一致性的主动学习方法，用于情感分类和情感估计之间的跨任务迁移。情感规范被用作先验知识，以连接类别情感和维度情感的标签空间。然后，利用 unlabeled samples 在两个任务上的预测不一致性，用于指导目标任务中样本的选择。在跨语料库和跨语料库迁移实验中，我们证明了跨任务不一致性是主动学习中非常有价值的指标。据我们了解，这是首个利用情感规范先验知识和来自不同任务中数据来促进新任务主动学习的工作，甚至这两个任务来自不同数据集。