대조형 비지도 학습을 통한 음성 감정 인식

음성 정서 인식(Speech Emotion Recognition, SER)은 보다 자연스러운 인간-기계 간 상호작용을 가능하게 하는 핵심 기술이다. 그러나 SER는 오랫동안 공개된 대규모 레이블링된 데이터셋의 부족으로 인해 어려움을 겪어왔다. 이 문제를 극복하기 위해, 본 연구에서는 레이블이 없는 데이터셋을 대상으로 한 비지도 표현 학습이 SER에 어떻게 기여할 수 있는지 탐구한다. 실험을 통해 대조적 예측 코드화(Contrastive Predictive Coding, CPC) 방법이 레이블이 없는 데이터셋으로부터 중요한 특징 표현을 학습할 수 있음을 보여주며, 이는 정서 인식 성능을 향상시킨다. 본 연구의 실험 결과, IEMOCAP 데이터셋에서 모든 정서 원소(활성도, 긍정성, 지배성)에 대해 최신 기술 수준의 일치상관계수(Concordance Correlation Coefficient, CCC) 성능을 달성하였다. 또한 MSP-Podcast 데이터셋에서도 기존의 기준 모델 대비 상당한 성능 향상을 얻었다.