Resumo Técnico: Raciocínio Causal de Unidades de Ação Fiel (FACR)

1. Definição do Problema

Sistemas automáticos de reconhecimento de emoções faciais exigem cada vez mais explicações que não sejam meramente plausíveis, mas fiéis — ou seja, a explicação deve refletir os fatores reais que impulsionam a predição. As abordagens atuais dividem-se em duas categorias, ambas carecendo de fidelidade:

1. Métodos causais estruturais: Modelam Unidades de Ação (AUs) e expressões usando grafos causais, mas são puramente discriminativos. Eles descartam a estrutura recuperada na inferência, fornecendo apenas rótulos ou mapas de atenção sem racionalizações verbalizadas.
2. Modelos de Linguagem de Grande Escala Multimodais (MLLMs): Geram racionalizações de emoção em linguagem natural baseadas em AUs. No entanto, seu texto não é restringido por estruturas causais verificadas e é avaliado apenas quanto à plausibilidade (ex: sobreposição de texto ou juízes baseados em GPT). Consequentemente, eles frequentemente substituem a atribuição causal por correspondência de modelos (template matching) e falham em atualizar suas explicações sob edições contrafatuais.

A lacuna central é a ausência de um sistema que fundamente um raciocinador de AU $\to$ emoção em um grafo causal verificado e imponha a fidelidade contrafatual, garantindo que a intervenção em uma AU causal altere tanto a predição quanto a racionalização, enquanto a intervenção em uma AU irrelevante as deixe inalteradas.

2. Metodologia: FACR

O sistema proposto, Faithful Action-unit Causal Reasoning (FACR), aborda essa lacuna através de três estágios integrados:

A. Indução de Grafo Causal Estrutural AU $\to$ Emoção ($G$)

O FACR induz um grafo causal direcionado e consciente de polaridade $G = (A \cup C, E)$ de forma independente, em vez de reutilizar grafos externos. O grafo é montado a partir de três fontes:

• Arestas AU $\to$ Eção: Estimadas via regressão logística com regularização L1 no corpus conjunto AffectNet $\times$ FABA.
• Arestas AU $\to$ AU: Estimadas via seleção de vizinhança no EmotioNet.
• Subestruturas Verificadas: A subestrutura de dor é fixada usando a fórmula PSPI (Prkachin–Solomon Pain Intensity) como verdade fundamental (ground truth). Para outras emoções, as arestas são preenchidas a partir de protótipos EMFACS.
• Polaridade: Cada aresta carrega um sinal ($s \in \{-1, +1\}$) indicando relações excitatórias ou inibitórias.

B. Raciocinador Condicionado ao Grafo

O sistema mapeia um rosto de entrada $x$ para um latente de AU desentrançado $z \in \mathbb{R}^K$, onde cada coordenada $z_k$ representa a presença da AU $k$.

• Predição: Uma cabeça condicionada ao grafo prevê a classe de emoção $\hat{y}$ com base em $z$.
• Racionalização: Um verbalizador de linguagem gera uma explicação em linguagem natural nomeando as AUs ativas e suas arestas causais em $G$.
• Mecanismo de Intervenção: O espaço latente permite intervenções $do$ bem definidas (ex: $do(z_k=0)$), simulando a remoção de uma AU.

C. Objetivo de Fidelidade Contrafatual

O FACR introduz um objetivo de treinamento que acopla a predição e a racionalização ao grafo $G$ via dois termos:

1. Termo de Sensibilidade ($L_{sens}$): Exige que a remoção de uma AU $a_k$ que o $G$ marca como causal para a classe $c$ mova o logit da classe na direção implicada pela polaridade da aresta.
2. Termo de Invariância ($L_{inv}$): Exige que a remoção de uma AU $a_k$ marcada como irrelevante para a classe $c$ deixe o logit da classe inalterado.

A perda total combina perda de classificação, perda de fundamentação de AU e estes termos de fidelidade:
$$L = L_{cls} + \lambda_a L_{au} + \lambda_s L_{sens} + \lambda_i L_{inv}$$

D. Construção de Racionalização Verbalizada

Para garantir que o texto gerado seja fiel, o verbalizador é controlado por construção. A emissão de cada token de AU é enviesada por sua ativação latente $z_k$. Se uma AU está inativa no espaço latente, ela é fortemente suprimida de ser nomeada no texto. Isso garante que a ablação de uma AU no espaço latente remova confiavelmente ela da explicação gerada.

3. Principais Contribuições

1. Formalização: Enquadra o raciocínio AU $\to$ emoção como um problema de consistência contrafatual entre a racionalização, o rótulo e um grafo causal.
2. Sistema FACR: Propõe um sistema que fundamenta um raciocinador MLLM em um grafo causal independente e consciente de polaridade, e impõe fidelidade via intervenções $do$ em um espaço latente desentrançado.
3. Métrica de Fidelidade: Introduz uma métrica de fidelidade contrafatual (sensibilidade e invariância) avaliada contra estruturas conhecidas (PSPI para dor, EMFACS para emoção). Crucialmente, esta métrica testa a fidelidade à estrutura fornecida em dados não vistos, não a redescoberta da estrutura.
4. Validação Empírica: Demonstra que o objetivo de fidelidade aumenta significativamente o acordo entre as AUs invocadas e as estruturas causais (PSPI e EMFACS) entre os conjuntos de dados, enquanto quantifica explicitamente o compromisso (trade-off) com a precisão de detecção.

4. Resultados Experimentais

A. UNBC-PAIN (Detecção de Dor)

Avaliado usando validação cruzada leave-one-subject-out (LOSO):

• Ganho de Fidelidade: O objetivo de fidelidade elevou o acordo entre as AUs invocadas e a composição PSPI verificada de um baseline de 0.08 (sem objetivo) para 0.57.
• Compromisso de Precisão: Este ganho veio com um custo modesto e quantificado na precisão de detecção, com o AUC diminuindo de 0.83 (controle) para 0.79 (FACR).
• Recuperação de Invariância: O ajuste do peso de invariância ($\lambda_i$) permitiu que o modelo satisfizesse simultaneamente as restrições de sensibilidade e invariância.

B. Transferência de Emoção entre Datasets (AffectNet $\times$ FABA $\to$ Aff-Wild2)

• Generalização: O objetivo elevou o acordo causal-grafo de 0.50 para 0.84 em uma tarefa de sete classes de emoção.
• Dependência da Qualidade do Grafo:
  • Com um grafo aprendido (ruidoso), o acordo com as AUs verdadeiramente ativas permaneceu baixo (0.24), correspondendo ao controle.
  • Com um grafo verificado (EMFACS), o acordo com as AUs verdadeiramente ativas subiu para 0.59, enquanto o acordo causal-grafo permaneceu alto (0.74).
  • Isso confirma que a fidelidade ao grafo é necessária, mas não suficiente; a correção do grafo estabelece o teto para o alinhamento com a realidade.
• Comparação com EmoLA: Um MLLM afetivo publicado (EmoLA) alcançou maior recall de AUs ativas (0.52 vs. 0.37) ao nomear muitas AUs indiscriminadamente. No entanto, o FACR com um grafo verificado alcançou maior precisão (0.59 vs. 0.51) e maior fidelidade à estrutura causal (0.74 vs. 0.63), demonstrando que ele seleciona as AUs causais corretas em vez de apenas muitas AUs.

C. Auditoria de Racionalização Verbalizada

• Construção vs. Aprendizado: Um verbalizador treinado para nomear AUs ativas sem o controle (gating) foi infiel (apenas 6% das AUs abladas foram removidas do texto).
• Sucesso do Controle (Gating): Com a restrição de controle, a ablação de uma AU causal removeu confiavelmente ela do texto gerado.
• Independência de Backbone: O mecanismo de fidelidade transferiu-se para um segundo backbone de modelo de linguagem (Gemma 3), confirmando que o mecanismo não é específico do modelo base.

5. Significância e Alegações

O artigo afirma que o FACR oferece um caminho para explicações restringidas, e não meramente plausíveis, no raciocínio AU $\to$ emoção.

• Fidelidade é Distinta de Precisão: O estudo demonstra que fidelidade e precisão são eixos distintos; um modelo pode ser tornado mais fiel sem se tornar mais preciso, necessitando de métricas separadas.
• Manete Intervencionista: Ao contrário de trabalhos anteriores, o FACR fornece uma manete de intervenção auditável (o latente de AU) que permite testar a dependência da explicação em relação à predição.
• Princípio de Design: A fidelidade é mais robusta quando imposta por construção (via controle e restrições causais) do que aprendida através de capacidade ou apenas dados.
• Limitações: Os autores afirmam explicitamente que o FACR não é um modelo de reconhecimento de estado da arte (com AUC/F1 modestos) e que seu alinhamento com a realidade é limitado pela correção do grafo causal fornecido. O método não pretende redescobrir a estrutura, mas sim aderir fielmente a uma fornecida.