FATRER: Full-Attention Topic Regularizer für genaue und robuste emotionale Erkennung in Gesprächen

Diese Arbeit konzentriert sich auf das Verständnis der Emotionen, die in conversationalen Äußerungen bei den Gesprächspartnern ausgelöst werden. Bisherige Studien in dieser Forschungslinie konzentrieren sich hauptsächlich auf eine genauere Emotionsvorhersage, während die Robustheit des Modells bei Störungen des lokalen Kontexts durch adversarielle Angriffe vernachlässigt wird. Um sowohl Robustheit als auch Genauigkeit zu gewährleisten, schlagen wir einen Emotionserkennungssystem mit einem vollständigen Aufmerksamkeits-Themen-Regulierer vor, der eine emotionsbezogene globale Perspektive ermöglicht, während der lokale Kontext in einer Konversation modelliert wird. Eine gemeinsame Themenmodellierungsstrategie wird eingeführt, um die Regulierung sowohl aus Sicht der Darstellung als auch aus Sicht der Verlustfunktion zu implementieren. Um eine Über-Regulierung zu vermeiden, entfallen die Beschränkungen auf a-priori-Verteilungen, wie sie in der traditionellen Themenmodellierung üblich sind, und stattdessen werden probabilistische Approximationen ausschließlich auf der Grundlage der Aufmerksamkeitsausrichtung durchgeführt. Experimente zeigen, dass unsere Modelle gegenüber aktuellen State-of-the-Art-Modellen signifikant bessere Ergebnisse erzielen und unter drei Arten adversarieller Angriffe überzeugende Robustheit aufweisen.