情感计算中的“冷启动”问题：新用户/新场景下的模型初始化与适应？ 热门官方

回答：冷启动指模型面对新用户（无历史数据）或新场景（如从未见过的光照条件）时的性能骤降，解决方法：①元学习初始化：用MAML训练模型，使其能通过少量新用户/场景数据（如5个样本）快速适应，新用户情感识别准确率达70%（随机初始化仅40%）；②跨用户/场景知识迁移：用预训练模型提取通用情感特征（如跨用户的面部表情共性），冻结预训练层，仅微调顶层分类器，适应新用户/场景；③主动学习冷启动：模型挑选对新用户/场景最具信息量的样本（如不确定性最高的样本）请求标注，用最少标注数据（如10个样本）使准确率提升至75%；④领域自适应：用无监督域自适应（如ADDA）将新场景数据映射到预训练模型的源域空间，减少对标注数据的依赖。