COLD冷融合：不确定性感知多模态情绪识别的校准和顺序潜在分布融合

论文标题：COLD Fusion: Calibrated and Ordinal Latent Distribution Fusion for Uncertainty-Aware Multimodal Emotion Recognition

中文译名：不确定性感知多模态情绪识别的校准和顺序潜在分布融合

原文地址：https://ieeexplore.ieee.org/abstract/document/10287630/

---

背景：

深度神经网络(DNNs)已广泛应用于多模态情感识别[8]，[9]，[10]，[11]，但估计模态不确定性以提高融合性能是一个相对未被探索的途径。然而，近年来，dnn中预测不确定性(或与其相反的置信度)的建模受到了广泛关注[12]，[13]，[14]，其动机是观察到dnn倾向于做出过度自信的预测[15]，[16]。大多数针对深度神经网络中不确定性或置信度估计的现有努力[13]，[17]仅关注于减少误校准误差，即预期模型估计误差与其相应置信度评分之间的不匹配。最近，作为另一种观点，Moon等人[18]引入了学习对置信度评分进行排序的想法，以确定最可靠的预测。

在这项工作中，我们认为，估计的不确定性分数必须同时校准和排序良好(序数)。前者需要准确地表示单个样本预测的正确性可能性。后者对于根据一组样本的正确可能性有效地排序预测至关重要。换句话说，如果