小而公平！面向多模态人类-人类和机器人-人类心理幸福教练的公平性
机器人学
2024-07-03 v1
摘要
近年来，情感计算 (AC) 和人机交互 (HRI) 研究社区将公平性置于研究议程的中心。然而，现有工作均未解决HRI场景中的机器学习偏见问题。此外，许多当前用于AC和HRI的数据集都"小"，这使得机器学习偏见和去偏分析具有挑战性。本文首次探索了在三个小型多模态数据集（分别来自人类-人类和机器人-人类心理幸福教练场景）中进行机器学习偏见分析与缓解的问题。本工作的贡献包括：i) 首次在HRI场景中探索机器学习偏见和公平性问题；ii) 通过建模性能和公平性指标对高级和低级特征进行多模态分析，并提出一种简单有效的数据增强策略 (MixFeat) 以消除本文所述小型数据集中的偏见；iii) 进行大量实验和分析，揭示AC和HRI研究中独特的机器学习公平性见解，以提炼一套建议，帮助AC和HRI研究者更积极地从事基于公平性的机器学习研究。
引用
@article{arxiv.2407.01562,
title = {Small but Fair! Fairness for Multimodal Human-Human and Robot-Human Mental Wellbeing Coaching},
author = {Jiaee Cheong and Micol Spitale and Hatice Gunes},
journal= {arXiv preprint arXiv:2407.01562},
year = {2024}
}
备注
First two authors have equal contribution, alphabetic order