Augmenting Supervised Emotion Recognition with Rule-Based Decision Model
Louisiana State University(路易斯安那州立大学)
本研究的目的是发展基于规则的情感识别决策模型。这项研究还提出了使用规则,以增强跨语料库识别的准确性,在多模态系统,使用监督学习技术。这种基于学习的识别系统的分类器容易过拟合,并且仅在体内数据上表现良好。为了克服这一局限性,本研究提出使用基于规则的模型作为一个额外的模态。这些规则是使用来自视觉通道的原始特征数据开发的,基于人类注释者协议和将运动和姿势归因于情绪的现有研究。规则评估的结果在情感识别系统的决策阶段被合并。结果表明,基于规则的情感识别提高了基于学习的系统的识别精度,并且还提供了跨语料库情感测试数据的更好的识别率。
2016-07-09 cs.AI cs.CV cs.HC
A Cognition-Emotion-Personality Framework for Modeling Human-Like Awareness and Behavior in Emergency Evacuations
提出一个集成认知、情绪、社会与人格机制的疏散仿真框架,通过动态事件意识、记忆模型、连续恐惧模型和OCEAN人格表征,揭示认知与情绪过程如何影响疏散效率并产生现实人群现象。
2026-06-28 cs.AI
The Good, the Bad, and the Hulk-like GPT: Analyzing Emotional Decisions of Large Language Models in Cooperation and Bargaining Games
AIRI;NUST MISIS(国立研究型技术大学 MISIS);HSE University(高等经济大学);Cornell University(康奈尔大学);SPbU(圣彼得堡大学)
本文提出一种研究大型语言模型在情感状态下决策及与人类行为一致性的新框架,发现在合作与议价博弈中情感深刻影响GPT-3.5和GPT-4的表现,且“愤怒”情感提示能打破GPT-4的理性一致性。
2024-06-05 cs.AI cs.CL
Extending the Entropic Potential of Events for Uncertainty Quantification and Decision-Making in Artificial Intelligence
Shiny World Corp.(Shiny World公司)
本文将物理学中的事件熵势概念引入人工智能,提出一种以事件为中心的度量框架,量化离散事件对未来不确定性的影响,从而增强AI的不确定性量化、决策与可解释性。
2025-08-13 cs.AI
Using AI Uncertainty Quantification to Improve Human Decision-Making
DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本研究通过两项在线实验证明,实例级不确定性量化能改善人类决策,且其益处具有跨表示形式的普遍性。
2024-02-06 cs.AI cs.HC
Measure of Uncertainty in Human Emotions
The University of Auckland(奥克兰大学)
本研究通过实验探究情绪分类中不同不确定性信息显示对人类决策的影响,发现更多不确定性信息能提升用户决策信心。
2023-09-05 cs.AI cs.HC
Respect Your Emotion: Human-Multi-Robot Teaming based on Regret Decision Model
Clemson University(克莱姆森大学)
通常,当在人机协作的背景下对人类决策行为进行建模时,人类的情感方面被忽略了。然而,在某些情况下,情绪的影响不仅是不可否认的,而且是有益的。研究了遗憾情绪在一人多机器人协作中的类人特性,以应用于领域搜索。在这种应用中,任务管理负载被外包给机器人,以减少人类的工作量,从而使人类能够做更重要的工作。后悔决策模型首先用于每个机器人决定是否请求人类服务,然后扩展到最优排队的请求从多个机器人。针对机器人在搜索域中的运动,设计了一种基于动态规划的机器人路径规划算法。仿真结果表明,类人的特性,即风险寻求和规避,确实带来了一些吸引人的效果,平衡的工作量和性能的人多机器人团队。
2019-09-18 cs.AI cs.HC cs.SY
Outraged AI: Large language models prioritise emotion over cost in fairness enforcement
Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学)
该研究通过利他第三方惩罚实验发现大语言模型会受情绪引导做出道德决策,且情绪优先级高于成本,推理模型比基础模型更接近人类行为,为LLM情绪引导决策提供了首个因果证据。
2025-10-17 cs.AI cs.CL
Multi-Modal Emotion Recognition by Text, Speech and Video Using Pretrained Transformers
本研究提出使用经过微调的预训练Transformer模型分别提取文本、语音和视频特征并进行融合,在IEMOCAP数据集上通过特征拼接与支持向量机分类实现75.42%的准确率。
2024-02-11 cs.AI
Efficient Non-Parametric Uncertainty Quantification for Black-Box Large Language Models and Decision Planning
Apple(苹果公司)
针对大语言模型决策规划的幻觉问题及现有方法对黑盒模型适配差、成本高的痛点,提出无需logits的单次推理非参数不确定性量化方法,并设计了带偏好征询的决策智能体方案,为AI智能体开发提供低成本高效方案。
2024-02-01 cs.AI cs.CL cs.LG
The Effect of Emotional Context on Large Language Models' Endorsement of Premature Decisions: Comparing Emotional Vulnerability Across Six Commercial Models
Yonsei University(延世大学);Fudan University(复旦大学);St. Johnsbury Academy Jeju(济州圣约翰斯伯里学院)
该研究探究情绪语境对LLM支持仓促决策的影响,测试六种商业模型后发现情绪会显著提升模型的支持度,且脆弱性因单个模型而异,仅Claude Opus无显著情绪效应。
2026-08-31 cs.AI cs.CL cs.CY
Self-Emotion Blended Dialogue Generation in Social Simulation Agents
The University of Tokyo(东京大学);Couger Inc(库格公司)
本文研究 LLM 社会模拟智能体的自我情绪,通过策略预测、微调模型评估和多主题虚拟讨论实验,证明其可提升对话拟人度与自然性,并显著改变约半数决策。
2024-08-03 cs.AI cs.CL cs.CY
Uncertainty quantification and exploration-exploitation trade-off in humans
University of Milano-Bicocca(米兰比可卡大学)
本文的主要目的是勾勒出一个理论框架,分析人类的决策策略下的不确定性管理信息收集(探索)和奖励寻求(剥削)之间的权衡。一个关键的观察,激励这一系列的研究,是认识到人类学习者是惊人的快速和有效地适应陌生的环境,并纳入即将到来的知识:这是一个有趣的行为认知科学以及机器学习的一个重要挑战。所考虑的目标问题是黑盒优化任务中的主动学习,更具体地说,如何在基于高斯过程的贝叶斯优化框架内对探索/开发困境进行建模,该框架又基于不确定性量化。主要贡献是分析人类的决策帕累托理性的两个目标是改善预期和不确定性量化。根据这个帕累托理性模型,如果一个决策集包含一个帕累托有效(主导)策略,理性的决策者应该总是选择主导策略。离帕累托边界的距离决定了一个选择是否是(帕累托)理性的(即,位于边境)或与“令人恼火”的探索有关。然而,由于不确定性是定义帕累托前沿的两个目标之一,我们已经研究了三种不同的不确定性量化措施,并选择了一个更符合帕累托理性模型的建议。关键的结果是一个分析框架来描述偏离“理性”如何依赖于不确定性量化和寻求奖励过程的演变。
2021-02-05 cs.AI cs.LG
Decision-Aligned Evaluation of Uncertainty Quantification
Technical University of Munich(慕尼黑工业大学);Helmholtz AI(亥姆霍兹人工智能);MCML(慕尼黑机器学习中心);Konrad Zuse School of Excellence in Reliable AI(康拉德·楚泽卓越可靠人工智能学院);LMU Munich(慕尼黑大学);University of Technology Nuremberg(纽伦堡工业大学)
提出决策对齐准则,揭示常用不确定性度量与下游决策的错位,并设计先验加权效用度量实现决策对齐评估。
2026-06-26 cs.AI cs.LG stat.ML
The Responsibility Quantification (ResQu) Model of Human Interaction with Automation
Tel Aviv University(特拉维夫大学)
智能系统和先进的自动化涉及信息收集和评估,决策和执行选定的行动。在这样的系统中,人的责任变得模棱两可。当智能自主系统可能伤害人类时,理解人类的偶然责任尤为重要,例如自动驾驶汽车或最值得注意的自动武器系统(AWS)。使用信息论,我们开发了一个责任量化(ResQu)模型的人参与智能自动化系统,并展示其应用程序的决策有关AWS。分析表明,人类对结果的相对责任往往很低,即使主要职能分配给人类。因此,广泛陈述的让人类参与循环和有意义的人类控制的政策是误导性的,不能真正指导如何让人类参与智能系统和先进自动化的决策。目前的模型是创建一个全面责任模型的复杂目标的第一步,这将使人类因果责任量化。它假设平稳性,充分了解人类和自动化的特点,忽略了时间方面。尽管有这些限制,它可以帮助分析系统设计的替代方案和政策决策,在智能系统和先进的自动化的人的责任。
2020-04-29 cs.AI cs.HC
Beyond Uncertainty Quantification: Learning Uncertainty for Trust-Informed Neural Network Decisions - A Case Study in COVID-19 Classification
Faculty of Engineering & IT, University of Technology Sydney(技术悉尼大学工程与信息学院);University Research and Innovation Center (EKIK), Óbuda University(奥布达大学研究与创新中心)
本文提出不确定性感知堆叠神经网络,由基础模型与元模型学习预测信任标志,并在 COVIDx CXR-4 上验证其可显著减少高置信错误预测。
2025-10-19 cs.AI cs.CV eess.IV
Decision Theoretic Foundations for Conformal Prediction: Optimal Uncertainty Quantification for Risk-Averse Agents
University of Pennsylvania(宾夕法尼亚大学)
本文从决策论角度证明预测集对风险厌恶决策者最优,提出最大最小决策策略和风险厌恶校准算法RAC,在保证安全阈值的同时提升下游效用。
2025-02-04 cs.AI cs.LG stat.ML
Weight-based Channel-model Matrix Framework provides a reasonable solution for EEG-based cross-dataset emotion recognition
Lanzhou University(兰州大学);Beijing Institute of Technology(北京理工大学);Inner Mongolia University(内蒙古大学);Shandong Academy of Intelligent Computing Technology(山东智能计算技术研究院);Chinese Academy of Sciences(中国科学院)
跨数据集情感识别是基于脑电信号的情感计算领域中一个极具挑战性的任务,它受到多种因素的影响,使得通用模型的识别效果不理想。针对脑电信息解码研究缺乏的现状,首先在5个公开数据集上,通过样本空间可视化、样本聚集现象量化和能量模式分析,分析了不同脑电信息(个体、会话、情绪和试验)对情绪识别的影响。基于这些现象和模式,我们提供了各种脑电差异的处理方法和解释工作。通过对情绪特征分布模式的分析,发现个体情绪特征分布差异(IEFDD)是影响情绪识别稳定性的主要因素。分析了传统建模方法受IEFDD影响的局限性,提出了基于权重的通道模型矩阵框架(WCMF)。为合理表征情感特征分布模式,设计了4种权重提取方法,其中校正T检验(CT)权重提取方法效果最佳。最后,通过模拟不同实际场景的两类跨数据集任务验证了WCMF的性能,结果表明WCMF具有更稳定、更好的情感识别能力。
2022-11-04 cs.AI cs.LG eess.SP
UQ-CHI: An Uncertainty Quantification-Based Contemporaneous Health Index for Degenerative Disease Monitoring
University of Washington(华盛顿大学)
开发知识驱动的同期健康指数(CHI),可以准确反映疾病进展过程中的潜在患者,具有独特的价值,例如促进一系列临床决策机会。这对于监测诸如阿尔茨海默病(AD)的退行性疾病尤其重要,其中患者的病情将随着时间的推移而衰退。发现早期症状和进展体征,以及持续的严重程度评估对于疾病管理都是至关重要的。虽然在文献中已经开发了一些方法,但这些健康指数模型的不确定性量化在很大程度上被忽视了。为了确保护理的连续性,我们应该更加明确模型输出的置信水平。理想的情况是,决策者应该得到在未来结果存在很大不确定性的情况下仍然可靠的建议。在本文中,我们的目标是填补这一空白,开发一个不确定性量化为基础的同期纵向指数,命名为UQ-CHI,特别注重对退行性疾病的持续患者监测。我们的方法是结合凸优化和贝叶斯学习使用最大熵学习(MEL)的框架,整合标签的不确定性以及。我们的方法还在一些重要的决策任务中提供了封闭形式的解决方案,例如,例如预测新样本的标签。数值研究表明,建议的UQ-CHI方法的有效性,在预测精度,监测效率,和独特的优势,如果不确定性量化是使实践。
2019-02-21 cs.AI stat.ME
Fusion of EEG and Musical Features in Continuous Music-emotion Recognition
Osaka University(大阪大学)
音乐聆听中的情感估计面临着如何捕捉聆听者情感变化的挑战。近年来,人们尝试利用从音乐内容和生理信号中捕获的多模态融合信息来提高情感识别的性能。在本文中,我们提出了一个研究的融合信号的脑电图(EEG),一个工具,以捕捉脑波在一个高的时间分辨率,音乐特征在决策水平上识别的时变二元类的唤醒和效价。我们的实验结果表明,融合可以优于情感识别的性能,仅使用脑电模态,这是遭受主体间的变化,这表明了多模态融合的承诺,在提高音乐情感识别的准确性。
2016-11-30 cs.AI cs.HC
COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification
DarwinAI Corp.(DarwinAI公司);University of Waterloo(滑铁卢大学);Waterloo Artificial Intelligence Institute(滑铁卢人工智能研究所)
COVID-19大流行继续对全球造成破坏性影响,并对世界各地苦苦挣扎的医疗系统造成巨大负担。鉴于资源有限,准确的患者分诊和护理规划在抗击COVID-19中至关重要,而护理规划中的一项关键任务是确定患者是否应该进入医院的重症监护室(ICU)。出于对透明和可信的ICU入院临床决策支持的需求,我们引入了COVID-Net Clinical ICU,这是一种基于患者临床数据的ICU入院预测神经网络。在透明、以信任为中心的方法的驱动下,拟议的COVID-Net临床ICU是使用来自Hospitality Libanes的临床数据集构建的,该数据集包括1,925份COVID-19患者记录,能够预测COVID-19阳性患者何时需要入住ICU,准确率为96. 9%,以促进医院在持续的大流行中更好地制定护理计划。我们使用定量可解释性策略进行系统级洞察发现,以研究不同临床特征的决策影响,并获得可操作的洞察力,以提高预测性能。我们进一步利用了一套信任量化指标,以更深入地了解COVID-Net临床ICU的可信度。通过深入挖掘临床预测模型何时以及为什么做出某些决策,我们可以发现关键临床决策支持任务(如ICU入院预测)决策的关键因素,并确定临床预测模型可以信赖的情况。
2021-11-29 cs.AI cs.LG
Prediction Surface Uncertainty Quantification in Object Detection Models for Autonomous Driving
Simula Research Laboratory(西穆拉研究实验室);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
自动驾驶汽车中的目标检测通常基于摄像头图像和激光雷达输入,这些图像和输入通常用于训练预测模型,例如用于物体识别、调整速度等决策的深度人工神经网络。在深度学习模型中,不确定性通常是针对分类问题进行测量的。然而,自动驾驶中的深度学习模型往往是多输出回归模型。因此,我们提出了一种新的方法,称为纯(预测表面不确定性)的预测不确定性,这样的回归模型进行测量。我们制定的对象识别问题作为一个回归模型,在一个2维摄像机视图中找到对象的位置有一个以上的输出。为了评估,我们修改了三个广泛应用的对象识别模型(即,YoLo,SSD 300和SSD 512),并使用KITTI,Stanford Cars,Berkeley DeepDrive和NEXET数据集。结果显示,预测表面不确定性与预测准确性之间存在统计学显著的负相关性,这表明不确定性会显著影响自动驾驶做出的决策。
2021-07-11 cs.AI cs.CV
Decision Making Needs Uncertainty Quantification [Lecture Notes]
Institute for Intelligent Networked Systems, Northeastern University London(智能网络系统研究所,伦敦大学东北学院)
研究决策中不确定性量化问题,从基本原理出发,在已知和未知环境分布下,探讨风险中性与厌恶型智能体所需不确定性表示形式,确定解决认知不确定性的三种互补方法,强调可靠决策需匹配不确定性表示及效用保证。
2026-09-09 cs.AI cs.IT cs.LG
EmoMM: Benchmarking and Steering MLLM for Multimodal Emotion Recognition under Conflict and Missingness
School of Future Technology, South China University of Technology(华南理工大学未来技术学院)
本文提出EmoMM基准,用于研究多模态情绪识别中模态冲突和缺失性下的MLLM决策机制,发现视频贡献崩溃现象,并提出CHASE机制减轻决策偏差,提升模型在复杂情感场景中的可靠性。
2026-05-01 cs.AI cs.CV
Predictive Capability Maturity Quantification using Bayesian Network
North Carolina State University(北卡罗来纳州立大学)
在核工程中,建模与仿真(M&Ss)被广泛应用于支持风险知情的安全分析。由于核安全分析具有重要意义,因此需要一个令人信服的验证过程来评估模拟的充分性,即,M&S工具能够充分表示感兴趣的系统量的程度。然而,由于数据缺口,验证成为一个不确定性下的决策过程。专家的知识和判断需要收集,选择,表征和整合证据,以达到最终的充分性决策。然而,在确认框架CSAU:代码扩展、适用性和不确定性(NUREG/CR-5249)和EMDAP:评估模型开发和评估过程(RG 1.203)中,这样的决策过程在很大程度上是隐含和模糊的。当情景复杂时,知识偏差和不可靠的判断可能会被忽略,这可能会增加模拟充分性结果的不确定性和相应的风险。因此,需要一个框架,以一种实用的,透明的,一致的方式,正式的决策过程中的模拟充分性。本文提出了一个框架“预测能力成熟度量化使用贝叶斯网络(PCMQBN)”作为一个量化的框架,评估仿真充分性的基础上收集的信息,从验证活动。一个案例研究准备评估的充分性的光滑粒子流体动力学模拟预测的水动力作用在静态结构在外部洪水的情况下。与定性充分性评估和隐式充分性评估相比,PCMQBN能够提高仿真充分性结果的可信度,并减少风险知情安全分析中的预期损失。
2020-08-31 cs.AI physics.data-an
A Survey on Uncertainty Reasoning and Quantification for Decision Making: Belief Theory Meets Deep Learning
Virginia Tech(弗吉尼亚理工大学);University of Texas at Dallas(德克萨斯大学达拉斯分校);US Army Research Laboratory(美国陆军研究实验室);University of the District of Columbia(哥伦比亚特区大学);University of Oslo(奥斯陆大学)
对不确定性的深入理解是在不确定性下做出有效决策的第一步。深度/机器学习(ML/DL)已被广泛用于解决涉及处理高维数据的复杂问题。然而,与其他人工智能(AI)领域相比,ML/DL中对不同类型的不确定性进行推理和量化以实现有效决策的探索要少得多。特别是,自20世纪60年代以来,KRR一直在研究信念/证据理论,以推理和测量不确定性,以提高决策效率。我们发现,只有少数研究利用ML/DL中信念/证据理论中成熟的不确定性研究来解决不同类型不确定性下的复杂问题。在这篇调查论文中,我们讨论了几种流行的信念理论及其处理不确定性原因和类型并对其进行量化的核心思想,以及它们在ML/DL中的适用性。此外,我们讨论了在深度神经网络(DNN)中利用信念理论的三种主要方法,包括证据DNN,模糊DNN和粗糙DNN,根据其不确定性原因,类型和量化方法以及它们在不同问题领域的适用性。基于我们的深入调查,我们讨论了见解,经验教训,当前最先进的桥接信念理论和ML/DL的局限性,最后,未来的研究方向。
2022-06-14 cs.AI cs.IT cs.LG
Towards Interpretable and Transferable Speech Emotion Recognition: Latent Representation Based Analysis of Features, Methods and Corpora
Technical University of Denmark(丹麦技术大学);Copenhagen University Hospital(哥本哈根大学医院);Copenhagen University(哥本哈根大学)
近年来,语音情感识别(SER)已被广泛应用于从医疗保健到商业部门。除了信号处理方法之外,用于SER的方法现在还使用深度学习技术。然而,在语言,语料库和记录条件的概括仍然是该领域的一个公开的挑战。此外,由于深度学习算法的黑箱性质,一个新的挑战是模型和决策过程缺乏解释和透明度。当SER系统部署在影响人类生活的应用中时,这一点至关重要。在这项工作中,我们解决这个差距,提供了一个深入的分析,建议SER系统的决策过程。为此,我们提出了低复杂性SER的基础上不完全和去噪自动编码器,实现了平均分类精度超过55%的四类情感分类。在此之后,我们调查的集群的情绪在潜在的空间,了解语料库的影响模型的行为,并获得一个物理解释的潜在嵌入。最后,我们探讨了每个输入功能对SER性能的作用。
2021-05-05 cs.AI cs.SD eess.AS
Human-AI Collaborative Uncertainty Quantification
University of Pennsylvania(宾夕法尼亚大学)
本文提出人机协同不确定性量化框架,通过双阈值结构优化预测集,避免反事实伤害并实现互补,开发离线与在线校准算法,实验证明协同预测集优于单独人类或AI。
2025-10-27 cs.AI cs.HC stat.ML
Trust model of privacy-concerned, emotionally-aware agents in a cooperative logistics problem
Univ. Carlos III de Madrid(卡洛斯三世大学)
本研究提出一种融合情绪与隐私考量的BDI范式信任模型,在GAMA平台实现并经协作物流仿真验证,可同时提升智能体作业效率与隐私保护水平。
2024-01-25 cs.AI cs.MA
Uncertainty Wrapper in the medical domain: Establishing transparent uncertainty quantification for opaque machine learning models in practice
Fraunhofer IESE(弗劳恩霍夫 IESE);Fraunhofer IZI(弗劳恩霍夫 IZI)
针对医学领域不透明机器学习模型结果存在错误风险、决策过程不透明的问题,本文提出Uncertainty Wrapper方法,以流式细胞术为应用场景,验证了该方法实现可靠透明不确定性量化的适用性与实用价值。
2023-11-09 cs.AI cs.LG stat.ML
Sentiment Analysis Based on RoBERTa for Amazon Review: An Empirical Study on Decision Making
本研究采用RoBERTa模型对亚马逊评论做情感分析,验证模型有效性并结合行为经济学挖掘消费者行为规律,为决策与营销提供参考。
2024-10-18 cs.AI cs.LG stat.AP
Enhancing Diagnostic in 3D COVID-19 Pneumonia CT-scans through Explainable Uncertainty Bayesian Quantification
Data Science Research Centre, Liverpool John Moores University(利物浦约翰摩尔大学数据科学研究中心)
本文提出利用贝叶斯神经网络对3D CT扫描中的COVID-19肺炎进行分类,通过不确定性量化与SHAP可解释性提升诊断准确性,轻量级架构达到96%准确率。
2025-01-18 cs.AI cs.CV cs.LG
DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model
The University of Hong Kong(香港大学);DAMO Academy, Alibaba Group(阿里巴巴达摩院)
本文提出DiffLoad方法,利用扩散Seq2Seq结构估计认知不确定性,并用加性柯西分布估计偶然不确定性,实现负荷预测中两类不确定性的有效分离,同时保证预测精度并适用于不同负荷水平。
2024-09-02 cs.AI cs.LG stat.ML
Measuring and Improving Behavioral Consistency in Large Language Models through Fact-Heuristic-Emotion State Enforcement
School of Mechanical Engineering, Chung-Ang University(韩国中央大学机械工程学院)
研究大语言模型行为一致性,通过认知内核模型CKM强制模型在决策前区分事实、假设和评估信号,经多实验评估发现其可降低输出变异性、减少决策翻转率,证明行为一致性可测且能部分改善。
2026-07-29 cs.AI cs.CL cs.HC
Neural machine translation of clinical procedure codes for medical diagnosis and uncertainty quantification
Texas A&M University(德克萨斯农工大学);Massachusetts General Hospital(麻省总医院);Brookhaven National Laboratory(布鲁克海文国家实验室)
本文提出医学熵概念,利用基于ICD-9代码的神经机器翻译量化患者结果不确定性,并验证了操作与诊断序列的相关性及住院期间不确定性趋势建模的可行性。
2024-10-19 cs.AI cs.CL cs.LG
Quantum Operation of Affective Artificial Intelligence
Bogolubov Laboratory of Theoretical Physics, Joint Institute for Nuclear Research(联合核研究所博戈柳博夫理论物理实验室);Instituto de Fisica de São Carlos, Universidade de São Paulo(圣保罗大学圣卡洛斯物理研究所)
本综述比较了基于量子理论与经典术语的两种概率性方法,提出仅用经典概念的公理化方法构建考虑认知-情感二元性的情感人工智能,以避免传统决策悖论并形成动态决策网络。
2023-05-14 cs.AI q-bio.NC quant-ph
Framewise approach in multimodal emotion recognition in OMG challenge
Neurodata Lab LLC(神经数据实验室有限责任公司);Institute for Information Transmission Problems(信息传输问题研究所);Moscow State Univercity(莫斯科国立大学)
在这份报告中,我们描述了我们的方法实现了$53\%$的未加权的准确性$7$情绪和$0.05$和$0.09$均方误差唤醒和效价OMG情绪识别挑战。我们的结果是通过分别在来自视频的语音和人脸数据上训练的单模态模型的集成获得的。我们将每个流视为一个帧序列。接下来,我们从帧中估计特征,并使用递归神经网络对其进行处理。作为音频帧,我们指的是短的$0.4$第二频谱图间隔。对于人脸图片的特征估计,我们使用自己的ResNet神经网络在AffectNet数据库上进行预训练。每个短谱图被视为一幅图像,也被卷积网络处理。作为基础音频模型,我们使用了在说话人识别任务中预训练的ResNet。两种模式的预测在决策层面上融合,并将单通道方法提高了几个百分点
2018-05-03 cs.AI cs.CL cs.CV
Conformal Prediction and Human Decision Making
本文构建决策论框架,分析conformal prediction集合作为人类决策支持信号的价值,形式化使用策略并指出其与人机决策目标的张力,提出未来研究建议。
2025-03-18 cs.AI cs.LG stat.ML