EMO-Debias：面向多标签语音情感识别的性别去偏置基准
音频与语音处理
2025-06-06 v1 计算与语言
摘要
语音情感识别 (SER) 系统常常表现出性别偏置。然而，现有去偏置方法在此类多标签情景下的有效性和鲁棒性仍未得到充分探索。为填补这一空白，我们提出 EMO-Debias，一个对 13 种去偏置方法在多标签 SER 上进行大规模比较的框架。我们的研究涵盖了从预处理、正则化、对抗学习、偏置学习者到分布鲁棒优化等技术。在使用 WavLM 和 XLSR 表示的 acted 和 naturalistic 情感数据集上进行实验，评估每个方法在性别不平衡条件下的表现。我们的分析量化了公平性与准确性之间的权衡，识别出哪些方法在不牺牲整体模型性能的前提下持续减少性别性能差距。研究结果为选择有效的去偏置策略提供了可操作性见解，并突显了数据分布对方法效果的影响。
引用
@article{arxiv.2506.04652,
title = {EMO-Debias: Benchmarking Gender Debiasing Techniques in Multi-Label Speech Emotion Recognition},
author = {Yi-Cheng Lin and Huang-Cheng Chou and Yu-Hsuan Li Liang and Hung-yi Lee},
journal= {arXiv preprint arXiv:2506.04652},
year = {2025}
}
备注
8 pages