主动持续学习与不确定性自感知要素：面向人脸与面部表情识别的窄域实现
计算机视觉与模式识别
2025-11-11 v1 人工智能
摘要
反思自身的思维过程并在对其表现不满意时加以纠正，或许是智能的基本特征之一。然而，通用人工智能所必需的此类高层抽象概念，甚至可以在低层次的窄域机器学习算法中进行建模。在此，我们以监督型人工神经网络（ANN）的形式模拟自感知机制，该网络观察另一个底层ANN的激活模式，以寻找底层ANN高度不确定的迹象，从而判断其预测的可靠性。底层ANN是一个用于人脸识别与面部表情任务的卷积神经网络（CNN）集成。自感知ANN拥有一个记忆区域用于存储其过往表现信息，并且在训练过程中会调整其可学习参数以优化性能。可靠性判定会触发主动学习模式，赋予机器学习算法一定的能动性，使其在高度不确定与混淆的情况下向人类寻求帮助。
引用
@article{arxiv.2511.05574,
title = {Elements of Active Continuous Learning and Uncertainty Self-Awareness: a Narrow Implementation for Face and Facial Expression Recognition},
author = {Stanislav Selitskiy},
journal= {arXiv preprint arXiv:2511.05574},
year = {2025}
}