小样本情感识别的核心技术路径与代表性方法？ 热门官方

回答：小样本情感识别（Few-Shot Emotion Recognition）旨在解决标注数据稀缺问题，核心技术路径：①元学习（Meta-Learning）：学习“如何快速适应新情感类别”，代表方法如MAML（Model-Agnostic Meta-Learning，在5-shot FER任务上准确率提升25%）、Prototypical Network（原型网络，通过类别原型分类新样本）；②迁移学习（Transfer Learning）：用预训练模型（如BERT、ResNet）提取通用情感特征，迁移至小样本场景，代表方法如Fine-tune BERT-base在IEMOCAP小样本子集上准确率达70%；③数据增强（Data Augmentation）：通过生成模型（如GAN、Diffusion Model）合成情感数据，或用规则变换（如语音变速、面部表情旋转）扩充样本，代表方法如StyleGAN2生成面部表情数据，使小样本准确率提升15%。关键技术挑战是类别不平衡（如“中性”情感样本多，“厌恶”样本少）与领域偏移（合成数据与真实数据的分布差异）。