处理情绪中的模糊性：从领域外检测到分布估计
内容提要
该文综述情感识别中的不确定性建模，涵盖贝叶斯训练损失、证据不确定性、深度集成与自蒸馏等方法，以处理标签模糊和缺失。这些方法在语音、文本和面部表情任务中提升了分类与不确定性估计性能，部分结合多任务与数据平衡取得领先结果。
延伸解读
不确定性建模的多种技术路径
文章综述了情感识别中处理不确定性的多种方法，包括贝叶斯训练损失、证据不确定性、深度集成和自蒸馏等。这些方法分别针对标签模糊、缺失或分布估计问题，在语音、文本和面部表情任务中提升了分类与不确定性估计性能。读者可借此了解不同技术路线的适用场景，例如贝叶斯损失适合独热标签下的不确定性建模，而深度集成则能捕捉多种情绪描述符。
从单模态到多任务与数据平衡的扩展
部分研究将不确定性建模与多任务学习、数据平衡技术结合。例如，有工作使用软标签和真实标签训练多任务模型，解决数据不全问题，并通过模型集成提升面部动作单元检测、表情分类和情感估计的表现。这表明处理不确定性不仅限于单一任务，还可扩展到多任务场景，并需关注数据不平衡带来的影响。
实际部署的考量与性能权衡
文章提到一些方法注重实际部署的可行性。例如，基于证据不确定性的OOD检测方法可轻松部署于传统RNN和微调预训练transformers；DMUE不依赖主干架构且不增加额外推演负担；轻量级机器学习模型使用少量手工特征即可媲美深度学习方法。这些信息提示读者，在追求性能的同时，也需权衡计算成本和部署便利性。
Q&A
情感识别中如何处理标签模糊和缺失问题？
文章综述了多种方法，包括贝叶斯训练损失、证据不确定性、深度集成与自蒸馏等，这些方法能够对标签模糊和缺失进行建模，提升分类与不确定性估计性能。
贝叶斯训练损失在情感识别中有什么作用？
贝叶斯训练损失可以对不同情感类别的独热标签下的不确定性进行建模，改进基于独热标签的情感分类，并在单语音情感分类中实现最先进结果。
证据不确定性方法如何用于文本分类中的OOD检测？
该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模类别概率的不确定性，能够轻松部署于传统RNN和Fine-tuned预训练transformers，在OOD检测上优于其他方法。
深度集成和自蒸馏如何估计情绪不确定性？
利用深度集成模型捕捉多种情绪描述符（行动单位、离散表情标签和连续描述符），并应用迭代自蒸馏技术，在仅有单一情绪标签可用时实现情绪不确定性的建模和估计，比Temperature Scaling和Monte Carlo Dropout更可靠。
DMUE方法如何解决面部表情识别中的注释模糊性？
DMUE从潜在分布挖掘和成对不确定性估计两个角度入手，引入辅助的多分支学习框架挖掘标签空间中的潜在分布，并利用不同实例间的语义特征评估成对模糊程度，不依赖主干架构且不增加推演负担，在真实世界基准和合成嘈杂数据集上实现领先性能。
深度证据情感回归（DEER）在情感识别中取得了什么成果？
DEER使用贝叶斯方法估计情绪属性的不确定性，在MSP-Podcast和IEMOCAP数据集上取得了情感自动识别的最佳结果。
