会話における感情認識のための教師付き adversarial contrastive learning

会話における感情認識（ERC）において、一般化され且つ堅牢な表現の抽出は大きな課題である。これを解決するために、本研究では教師ありの敵対的対比学習（SACL）フレームワークを提案する。SACLは、クラス分散構造を持つ表現を教師ありの枠組みで学習することを目的としており、対比に注意を払った敵対的訓練を用いて最悪ケースのサンプルを生成し、クラス分散対比学習を統合的に適用することで構造化された表現を抽出する。この手法は、ラベルレベルの特徴一貫性を効果的に活用しつつ、クラス内での細粒度な特徴を保持できる。また、敵対的摂動が文脈依存データに悪影響を及ぼすことを回避するため、文脈に応じた敵対的訓練（CAT）戦略を設計し、文脈からより多様な特徴を学習し、モデルの文脈に対する堅牢性を向上させる。CATを組み込んだフレームワークに基づき、ラベル一貫性と文脈堅牢性を両立した特徴を学習するシーケンスベースのSACL-LSTMを構築した。3つのデータセットにおける実験結果から、SACL-LSTMはERCにおいて最先端の性能を達成した。さらに拡張実験により、SACLおよびCATの有効性が裏付けられた。