초록
대화 내 감정 인식(ERC)에서 일반화되고 강건한 표현을 추출하는 것은 주요 과제이다. 이를 해결하기 위해, 우리는 지도 방식으로 클래스 분산 구조를 가진 표현을 학습하기 위한 지도형 적대적 대조 학습(Supervised Adversarial Contrastive Learning, SACL) 프레임워크를 제안한다. SACL은 대조 인식 적대적 훈련을 적용하여 최악의 경우 샘플을 생성하고, 공동 클래스 분산 대조 학습을 통해 구조화된 표현을 추출한다. 이는 레이블 수준의 특징 일관성을 효과적으로 활용하면서도 세부적인 내클래스 특징을 유지할 수 있다. 특히 적대적 변형이 문맥 의존 데이터에 부정적인 영향을 미칠 수 있음을 고려하여, 문맥을 기반으로 한 적대적 훈련(Contextual Adversarial Training, CAT) 전략을 설계하여 문맥으로부터 더 다양한 특징을 학습하고 모델의 문맥 강건성을 향상시킨다. CAT 프레임워크 하에서, 우리는 레이블 일관성과 문맥 강건성을 동시에 학습할 수 있는 시퀀스 기반의 SACL-LSTM 모델을 개발하였다. 세 가지 데이터셋에서 수행한 실험 결과, SACL-LSTM은 ERC 분야에서 최고 수준의 성능을 달성하였다. 확장 실험을 통해 SACL과 CAT의 효과성이 입증되었다.