対照的教師なし学習による音声感情認識

発話感情認識（Speech Emotion Recognition, SER）は、より自然な人間-機械間コミュニケーションを実現するための重要な技術である。しかし、長年にわたり、公開された大規模なラベル付きデータセットの不足がSERの発展を阻んできた。この問題を克服するため、本研究では、ラベルのないデータセット上で非教師あり表現学習がSERにどのように寄与するかを検討した。その結果、対比的予測符号化（Contrastive Predictive Coding, CPC）手法がラベルのないデータセットから顕著な表現を学習可能であり、感情認識の性能向上に寄与することを示した。実験の結果、IEMOCAPデータセットにおいて、すべての感情原素（活性化、価値、支配力）について、本手法は最先端の一致相関係数（Concordance Correlation Coefficient, CCC）を達成した。また、MSP-Podcastデータセットにおいても、従来手法と比較して顕著な性能向上が確認された。