超越深度学习：利用多种人工智能方法推进情感计算

Josiah02

情感计算是一个专注于理解和模仿人类情感的领域，得益于深度学习，该领域取得了重大进展。然而，慕尼黑工业大学的研究人员警告称，过度依赖深度学习可能会阻碍进步，因为忽视了人工智能的其他新兴趋势。
他们的评论于9 月 16 日发表在《智能计算》杂志上，提倡使用各种人工智能方法来应对情感计算中持续存在的挑战。
情感计算使用各种信号（例如面部表情、语音和语言提示）以及生理信号和可穿戴传感器来分析和合成情感。虽然深度学习通过迁移学习、自监督学习和转换器架构的创新显著改善了情绪识别等任务，但它也带来了挑战，包括泛化能力差、文化适应性问题和缺乏可解释性。
为了解决这些限制，作者概述了一个全面的框架，用于开发能够在多种不同情境中与多个用户交互的具身代理。这一愿景的关键是评估用户的目标、心理状态和相互关系，以促进更长时间的交互。作者建议整合以下九个组成部分，并详细描述这些组成部分，以改善人机交互：
映射用户关系和上下文的图表。
用于理解情感互动的层次模型胶囊。
神经符号引擎有助于利用情感原语来推理交互。
建立共同知识和互动规则的符号。
在受限环境中实现协作学习的体现。
个性化可以根据个人用户特征定制交互。
生成跨多种模式响应的生成式人工智能。
因果模型可以区分原因和结果，以进行高阶推理。
脉冲神经网络可增强在资源有限环境中深度神经网络的部署。
作者还描述了几种下一代神经网络、复兴主题以及情感计算的新前沿。
下一代神经网络正在超越传统的深度学习模型，以解决捕获复杂数据结构、空间关系和能源效率方面的局限性。胶囊网络通过保留空间层次结构来增强卷积网络，从而改善复杂实体（例如人体部位）的建模，这对于医疗保健和情绪识别至关重要。
几何深度学习将深度学习扩展到非欧几里得结构，从而可以更好地理解复杂的数据交互。它在情绪和面部分析中特别有用。脉冲神经网络模仿基于阈值的生物神经元放电，为实时应用提供了更节能的替代方案，使其适用于资源有限的环境。
适应新环境的传统 AI 概念可以改善情感计算应用。神经符号系统显示出特别好的前景，它将深度学习的模式识别与传统 AI 的符号推理相结合，以提高深度学习模型的可解释性和稳健性。
当这些模型进入现实世界时，它们必须符合社会规范，从而增强其跨文化解读情感的能力。具身认知通过将人工智能代理置于物理或模拟环境中，支持自然交互，进一步实现了这一目标。通过强化学习，具身代理可以实现更好的情境化和交互性，这在医疗保健和教育等复杂领域尤其有益。
此外，近年来，情感计算领域出现了三个重要思想：生成模型、个性化和因果推理。生成模型的进步，尤其是基于扩散的过程，使人工智能能够跨各种媒体产生与情境相关的情感表达，为交互式、具身化的代理铺平了道路。
个性化超越了千篇一律的模型，根据用户个性化特征调整响应，同时通过联合学习保护数据隐私。通过结合因果推理，情感计算系统不仅可以关联情感，还可以在情感环境中进行干预和反事实处理，从而增强其适应性和透明度。
情感计算的未来可能取决于创新和各种人工智能方法的结合。超越以深度学习为中心的方法可以为更复杂、更具文化意识和更符合道德设计的系统铺平道路。多种方法的整合预示着未来技术不仅能理解人类情感，还能丰富人类情感，标志着向真正智能和富有同理心的人工智能迈出了重大一步。