초록
대화 내 정서 인식(ERC)은 각 발화에 대한 정서 레이블을 탐지하는 것을 목표로 한다. 최근 연구들은 무작위로 학습 예제를 처리하는 대신 의미 있는 순서로 제공할 경우 모델 성능이 향상될 수 있음을 입증함에 따라, 본 연구에서는 ERC에 특화된 하이브리드 커리큘럼 학습 프레임워크를 제안한다. 제안하는 프레임워크는 두 가지 커리큘럼으로 구성된다: (1) 대화 수준 커리큘럼(CC), 및 (2) 발화 수준 커리큘럼(UC). CC에서는 대화 내 '정서 전이' 빈도를 기반으로 어려움 측정 기준을 구축한 후, 어려움 측정기의 반환 점수에 따라 대화를 '쉬운 것부터 어려운 것'으로 순차적으로 배치한다. UC는 정서 유사성 관점에서 구현되며, 모델이 혼동되기 쉬운 정서를 인식하는 능력을 점진적으로 강화한다. 제안한 모델 독립형 하이브리드 커리큘럼 학습 전략을 통해 기존 다양한 ERC 모델에서 유의미한 성능 향상을 관찰하였으며, 네 개의 공개 ERC 데이터셋에서 새로운 최고 성능(SOTA)을 달성하였다.