面向连续情感预测的动态难度感知训练
机器学习
2018-10-15 v1 人工智能
人机交互
机器学习
摘要
时间连续情感预测已成为机器学习中一项日益引人关注的课题。人们已付出大量努力来提升这些系统的性能。然而，主要焦点一直在于开发更复杂的模型以及融合不同的表达模态（如语音、人脸和生理信号）。本文受人类学习过程中难度感知益处的启发，提出了一种新颖的机器学习框架，即动态难度感知训练(Dynamic Difficulty Awareness Training, DDAT)，为研究提供了新思路——直接利用学习中的困难来促进机器学习过程。DDAT框架包含信息检索与信息利用两个阶段。在第一阶段，我们利用输入特征的重构误差或标注不确定性来估计学习特定信息的难度。所得难度水平随后在第二学习阶段与原特征协同用于更新模型输入，期望模型能够学会聚焦于学习过程中的高难度区域。我们在基准数据库(RECOLA)上进行了大量实验以评估所提框架的有效性。实验结果表明，我们的方法优于相关基线以及其他成熟的 time-continuous 情感预测系统，这说明为神经网络动态整合难度信息有助于增强学习过程。
引用
@article{arxiv.1810.05507,
title = {Dynamic Difficulty Awareness Training for Continuous Emotion Prediction},
author = {Zixing Zhang and Jing Han and Eduardo Coutinho and Björn Schuller},
journal= {arXiv preprint arXiv:1810.05507},
year = {2018}
}
备注
accepted by IEEE T-MM