通过元学习解决情感标签的歧义性
音频与语音处理
2019-11-11 v2 机器学习
声音
摘要
由于标注者对情感的主观感知，情感识别语料库中的情感标签具有高度噪声和歧义。这种歧义可能给自动分类引入错误并影响整体性能。因此我们提出一种动态标签修正与样本贡献权重估计模型。我们的模型基于带注意力的标准 BLSTM 模型，并带有两个额外参数。第一个参数学习一个新的修正后标签分布，旨在修正数据集中不准确的标签。另一个参数则估计每个样本对训练过程的贡献，旨在忽略歧义且含噪声的样本，同时赋予清晰样本更高的权重。我们通过交替优化方法训练模型：在第一个周期更新神经网络参数，在第二个周期保持固定并更新标签修正与样本重要性参数。在 IEMOCAP 数据集上训练和评估我们的模型时，我们分别获得了 65.9% 的加权准确率（WA）和 61.4% 的非加权准确率（UA）。与在语料库金标签上训练的带注意力 BLSTM 基线相比，这分别带来了 2.5% 和 2.7% 的绝对提升。
引用
@article{arxiv.1911.02216,
title = {Addressing Ambiguity of Emotion Labels Through Meta-Learning},
author = {Takuya Fujioka and Dario Bertero and Takeshi Homma and Kenji Nagamatsu},
journal= {arXiv preprint arXiv:1911.02216},
year = {2019}
}
备注
Submitted to ICASSP 2020