emoDARTS：面向卓越语音情感识别的CNN与序列神经网络架构联合优化

语音情感识别（Speech Emotion Recognition, SER）对于使计算机能够理解人类交流中所传达的情感至关重要。近年来，深度学习（Deep Learning, DL）技术的快速发展显著提升了SER模型的性能。然而，设计最优的深度学习架构需要专业知识和大量的实验验证。幸运的是，神经架构搜索（Neural Architecture Search, NAS）为自动寻找最佳深度学习模型提供了潜在解决方案。其中，可微分架构搜索（Differentiable Architecture Search, DARTS）是一种高效且具有潜力的模型搜索方法。本研究提出emoDARTS，一种基于DARTS优化的联合卷积神经网络（CNN）与序列神经网络（SeqNN：包括LSTM、RNN）的架构，旨在进一步提升SER性能。现有文献支持将CNN与LSTM相结合以增强模型表现。尽管此前已有研究利用DARTS分别搜索CNN和LSTM的网络操作，但本研究提出了一种新颖的机制，首次实现通过DARTS同步优化CNN与SeqNN操作的选择。与以往工作不同，我们不对CNN的层序结构施加限制，而是让DARTS在DARTS单元内部自主选择最优的层序组合。实验结果表明，emoDARTS在IEMOCAP、MSP-IMPROV和MSP-Podcast三个公开数据集上的表现均优于传统设计的CNN-LSTM模型，并超越了此前基于DARTS在CNN-LSTM架构上所报告的最佳SER性能。