用于情感识别的阶梯网络：利用无监督辅助任务改进情感属性预测
音频与语音处理
2023-05-15 v1 声音
摘要
使用唤醒度、效价和支配度等少数属性维度来识别情感，提供了有效表示复杂情感行为范围的灵活性。学习这些情感描述符的常规方法主要侧重于使用独立的模型来识别每个属性。最近的工作表明，共同学习这些属性可以对模型进行正则化，从而获得更好的特征表示。本研究通过添加无监督辅助任务来重构隐藏层表示，探索了新形式的正则化。该辅助任务要求在自编码器的每一层对隐藏表示进行去噪。该框架依赖于阶梯网络，利用编码器和解码器层之间的跳跃连接来学习情感维度的强大表示。结果表明，与单独学习每个属性的基线以及传统的去噪自编码器相比，阶梯网络提高了系统的性能。此外，无监督辅助任务在只有少量标记句子的半监督设置中具有广阔的应用前景。
引用
@article{arxiv.1804.10816,
title = {Ladder Networks for Emotion Recognition: Using Unsupervised Auxiliary Tasks to Improve Predictions of Emotional Attributes},
author = {Srinivas Parthasarathy and Carlos Busso},
journal= {arXiv preprint arXiv:1804.10816},
year = {2023}
}
备注
Submitted to Interspeech 2018