经验教训：重新审视面向自然场景语音情感识别的关键训练策略
音频与语音处理
2025-09-26 v2
摘要
本研究重新审视机器学习中常被更深层架构所忽视的关键训练策略。具体而言，我们探索平衡策略、激活函数和微调技术，以提高自然环境下语音情感识别（SER）的表现。我们的发现表明，简单修改即可在最小化架构变更的情况下提升泛化能力。我们的多模态融合模型整合了这些优化措施，实现了 valence CCC 为0.6953，是Task 2：情感属性回归中最佳的 valence 分数。值得注意的是，在单模态设置下单独微调RoBERTa和WavLM，然后在不训练特征提取器 Backbone 的情况下进行特征融合，可获得最佳的 valence 性能。此外，焦点损失和激活函数在不增加复杂度的情况下显著提升性能。这些结果表明，细化核心组件而非加深模型，可实现更稳健的SER in-the-wild。
引用
@article{arxiv.2508.07282,
title = {Lessons Learnt: Revisit Key Training Strategies for Effective Speech Emotion Recognition in the Wild},
author = {Jing-Tong Tzeng and Bo-Hao Su and Ya-Tse Wu and Hsing-Hang Chou and Chi-Chun Lee},
journal= {arXiv preprint arXiv:2508.07282},
year = {2025}
}
备注
Proceedings of Interspeech 2025