Recientemente, ha habido una explosión de servicios en la nube que permiten a los desarrolladores incluir una variedad de servicios de reconocimiento, como el reconocimiento de emociones, en sus aplicaciones. El reconocimiento de emociones es un problema complicado, y se ha investigado sobre la construcción de clasificadores para reconocer emociones en el mundo abierto. A menudo, los modelos de emociones aprendidos se entrenan en conjuntos de datos que pueden no representar adecuadamente a la población objetivo de interés. Por ejemplo, muchos de estos servicios en línea se han centrado en entrenar y probar utilizando una representación mayoritaria de adultos y, por lo tanto, están ajustados a la dinámica de rostros maduros. Para las aplicaciones diseñadas para atender a una demografía de edad mayor o menor, el uso de los resultados de estos modelos predefinidos puede resultar en tasas de rendimiento más bajas que cuando se utiliza un clasificador especializado. Desafíos similares con sesgos en el rendimiento surgen en otras situaciones donde los conjuntos de datos en estos servicios en línea a gran escala tienen una proporción no representativa de la clase deseada. Consideramos el desafío de proporcionar a los desarrolladores de aplicaciones el poder de utilizar servicios en la nube preconstruidos en sus aplicaciones, asegurando al mismo tiempo un rendimiento satisfactorio para su carga de trabajo única de casos. Nos centramos en los sesgos en el reconocimiento de emociones como un escenario representativo para evaluar un enfoque para mejorar las tasas de reconocimiento cuando se utiliza un clasificador pre-entrenado en línea para el reconocimiento de una clase que puede tener una representación minoritaria en el conjunto de entrenamiento. Discutimos un enfoque de clasificación jerárquica para abordar este desafío y mostramos que la tasa media de reconocimiento asociada con la emoción más difícil para la clase minoritaria aumenta en un 41.5% y la tasa de reconocimiento general para todas las clases aumenta en un 17.3% al utilizar este enfoque.
Howard et al. (Wed,) estudiaron esta pregunta.