基于自适应智能体建模面部表情识别中的文化偏差

面部表情识别（FER）必须在文化变异和感知降低的视觉条件下保持稳健性，但大多数现有评估假设数据均匀且图像质量高。我们引入了一个基于智能体的流式基准，揭示了跨文化组成与渐进性模糊如何相互作用以塑造面部识别鲁棒性。每个智能体在冻结的 CLIP 特征空间中工作，采用在 sigma=0 下训练的轻量级残差适配器进行在线训练，测试期间保持固定。智能体在 5x5 格子上移动和交互，环境提供具有 sigma-预约 Gaussian blur 的输入。我们检查了西方单一文化群体（JAFFE）和亚洲单一文化群体（KDEF），以及不同空间接触结构下的混合环境，包含平衡（5/5）和不平衡（8/2, 2/8）组成。结果显示不同文化群体之间存在明显的非对称降解曲线：JAFFE（亚洲）群体在低模糊时保持更高性能，但在中等阶段表现更快下降，而 KDEF（西方）群体在降解上更均匀。混合群体表现出中间模式，平衡混合有助于缓解早期降解，但不平衡设置在高模糊下放大多数群体的弱点。这些发现量化了文化组成和交互结构如何影响 FER 在感知条件恶化时的鲁棒性。