上下文去偏中的鲁棒情感识别

上下文感知情感识别 (CAER) 最近提升了情感计算技术在非约束环境中的实际应用。主流 CAER 方法无一例外地从多样化的上下文和以主体为中心的特征中提取集成表示，以感知目标人物的情感状态。尽管取得了进展，最大的挑战仍然源于上下文偏差干扰。这种有害的偏差迫使模型在似然估计中依赖背景上下文与情感标签之间的虚假相关性，导致严重的性能瓶颈并混淆有价值的上下文先验。在本文中，我们提出了一种反事实情感推理 (CLEF) 框架来解决上述问题。具体而言，我们首先构建了一个广义因果图，以解耦 CAER 中变量间的因果关系。遵循该因果图，CLEF 引入了一个非侵入式上下文分支，以捕捉由上下文偏差引起的不利直接效应。在推理过程中，我们通过比较事实结果与反事实结果，从总因果效应中消除直接上下文效应，从而实现偏差缓解和鲁棒预测。作为一个与模型无关的框架，CLEF 可以轻松集成到现有方法中，带来一致的性能提升。