多元人工智能如何引領情感計算超越深度學習

情感計算是一個專注於理解和模擬人類情感的領域,憑藉深度學習,其已取得顯著進展。然而,慕尼黑工業大學的研究人員警告說,過度依賴深度學習可能會因忽視人工智能中的其他新興趨勢而阻礙進展。

他們的綜述於 9 月 16 日發表在《智能計算》上,主張使用各種人工智能方法來解決情感計算中持續存在的挑戰。

情感計算使用各種信號,如面部表情、聲音和語言線索,以及生理信號和可穿戴傳感器來分析和合成情感。雖然深度學習藉助遷移學習、自監督學習和轉換器架構的創新,顯著提升了諸如情感識別之類的任務,但它也帶來了挑戰,包括泛化能力差、文化適應性問題和缺乏可解釋性。

爲了解決這些限制,作者概述了一個全面的框架,用於開發能夠在許多不同的情境中與多個用戶交互的具身代理。這一願景的關鍵在於評估用戶的目標、心理狀態和相互關係,從而促進更長久的交互。作者建議整合以下九個組件,他們對此進行了詳細描述,以改善人機交互:

作者還闡述了情感計算中的幾個下一代神經網絡、重現的主題和新的前沿領域。

下一代神經網絡正在超越傳統的深度學習模型,以解決捕獲複雜數據結構、空間關係和能源效率方面存在的限制。

膠囊網絡通過保留空間層次結構來增強卷積網絡,改進對諸如人體部位等複雜實體的建模,這在醫療保健和情感識別中極爲重要。

幾何深度學習把深度學習拓展到非歐幾里得結構,有助於更良好地理解複雜的數據交互。

模仿生物神經元基於閾值的觸發機制,脈衝神經網絡爲實時應用提供了更爲節能的替代方案,使其適用於資源有限的環境。

傳統的人工智能概念若能適應新的環境,就能改進情感計算應用。

神經符號系統展現出特別的前景,它將深度學習的模式識別和傳統人工智能的符號推理相結合,以此提高深度學習模型的可解釋性和魯棒性。

隨着這些模型進入現實世界的環境,它們必須符合社會規範,從而增強其跨文化解讀情緒的能力。

具身認知通過把人工智能代理置於物理或模擬環境中,支持自然交互,進一步達成了這一目標。

通過強化學習,具身代理能夠實現更好的情境性和交互性,這在醫療保健和教育等複雜領域尤其有好處。

此外,近年來在情感計算領域出現了三個重要的想法:生成模型、個性化以及因果推理。

生成模型的進步,尤其是基於擴散的過程,使得人工智能能夠在各種媒體上產生與上下文相關的情感表達,爲交互式、具身代理鋪平了道路。

超越一刀切的模式,個性化藉助聯邦學習,在維護數據隱私的同時,依據用戶的個性化特徵來調整響應。通過納入因果推理,情感計算系統不僅能夠建立關聯,還能夠在情感情境中實施干預和進行反事實推理,增強了其適應性和透明度。

情感計算的未來或許取決於創新以及各種人工智能方法的結合。超越以深度學習爲核心的方法,或許能爲更復雜、具備文化意識且符合倫理設計的系統鋪平道路。多種方法的整合預示着這樣一個未來,在這個未來裡,技術不僅能夠理解,而且還能夠豐富人類情感,標誌着朝着真正智能和富有同理心的人工智能邁出了重大飛躍。