面向可解释情感识别：识别关键特征的机器学习方法
音频与语音处理
2025-08-07 v1 声音
摘要
无监督方法如 wav2vec2 和 HuBERT 在音频任务中取得了最先进的性能，导致人们转向不关注可解释特征的研究。然而，这些方法缺乏可解释性，限制了其在医疗等关键领域的应用，因为理解特征相关性至关重要。为更好地理解无监督模型的特征，仍然关键的是识别与特定任务相关的可解释特征。本文聚焦于情感识别，使用机器学习算法识别和概括该任务最重要的可解释特征。虽然以往研究探索了情感识别中的特征相关性，但往往受限于狭窄背景并呈现出不一致的发现。我们的目标是克服这些限制，为识别最重要的可解释特征提供更广泛且更稳健的框架。
引用
@article{arxiv.2508.04230,
title = {Towards interpretable emotion recognition: Identifying key features with machine learning},
author = {Yacouba Kaloga and Ina Kodrasi},
journal= {arXiv preprint arXiv:2508.04230},
year = {2025}
}