冗余缩减孪生网络：一种多输出情绪回归的训练框架
声音
2022-06-29 v2 音频与语音处理
摘要
在本文中，我们提出了冗余缩减孪生网络（RRTN），这是一种冗余缩减训练框架，通过测量同一网络在输入样本的失真版本后输出之间的互相关矩阵，并使其尽可能接近单位矩阵来最小化冗余。RRTN还应用了一种新的损失函数，即Barlow Twins损失函数，以帮助最大化从样本不同失真版本获得的表示的相似性。然而，由于损失的分布可能导致网络性能波动，我们还提出使用约束不确定性权重损失（RUWL）或联合训练来确定损失函数的最佳权重。我们在CNN14上使用所提方法的最佳结果，在ExVo多任务开发集上获得了0.678的情绪回归一致性相关系数（CCC），比普通CNN14的0.647 CCC提高了4.8%，在95%置信区间（双尾）上达到了显著差异。
引用
@article{arxiv.2206.09142,
title = {Redundancy Reduction Twins Network: A Training framework for Multi-output Emotion Regression},
author = {Xin Jing and Meishu Song and Andreas Triantafyllopoulos and Zijiang Yang and Björn W. Schuller},
journal= {arXiv preprint arXiv:2206.09142},
year = {2022}
}
备注
5 pages, accepted by ICML Exvo workshop