敵対的データ増強ネットワークによるスピーチ感情認識の改善

トレーニングデータが不足している場合、過学習の問題を引き起こすことなく深層ニューラルネットワークを訓練することは困難です。この課題を克服するために、本論文では生成的敵対ネットワーク（GAN）に基づく新しいデータ増強ネットワーク、すなわち敵対的データ増強ネットワーク（ADAN）を提案します。ADANはGAN、オートエンコーダー、および補助的分類器から構成されています。これらのネットワークは敵対的に訓練され、潜在空間と元の特徴空間の両方でクラスに依存した特徴ベクトルを合成し、分類器の訓練のために実際のトレーニングデータに増強できます。従来の交差エントロピー損失を敵対的訓練に使用する代わりに、ウォッサースタインダイバージェンスが使用され、高品質の合成サンプルを生成しようとしています。提案されたネットワークは、評価データセットとしてEmoDBおよびIEMOCAPを使用してスピーチ感情認識に適用されました。合成された潜在ベクトルと実際の潜在ベクトルを共通の表現を共有させることで、勾配消失問題が大幅に緩和されることがわかりました。また、提案されたネットワークによって生成された増強データは感情情報が豊富であることも示されています。したがって、結果として得られた感情分類器は最新のスピーチ感情認識システムと競争力があります。