情感计算中的数据偏见来源与去偏技术：以性别偏见的去偏为例？ 热门官方

回答：情感计算中的数据偏见主要来源：①采集偏见（如实验室招募更多年轻女性，导致数据集中女性样本占比80%）；②标注偏见（标注者对女性“愤怒”的容忍度低，标注为“悲伤”的概率更高）；③算法偏见（模型学习到数据中的虚假关联，如“女性→情绪化→易标注为悲伤”）。以性别偏见去偏为例：①数据层去偏：重采样（对男性“愤怒”样本过采样，女性样本欠采样，使男女比例1:1）、数据增强（用GAN生成男性“悲伤”样本，平衡性别-情感分布）；②算法层去偏：对抗去偏（在模型中加入性别分类器，通过对抗损失迫使情感识别器忽略性别信息，性别分类准确率从90%降至50%）、公平性约束（在损失函数中加入公平性正则项，如不同性别的情感识别准确率差异<5%）；③后处理去偏：对模型输出结果按性别校准（如女性“愤怒”的预测概率乘以校正因子1.2，男性乘以0.8），使校准后不同性别的准确率差异<3%。