대화에서 감정 인식(ERC, Emotion Recognition in Conversation)은 대화 내 각 발화의 뒤에 숨은 감정을 탐지하는 과정을 포함합니다. 이 작업에서 발화의 표현을 효과적으로 생성하는 것은 여전히 중요한 도전과제입니다. 최근 연구들은 이 문제를 해결하기 위해 다양한 모델을 제안하고 있지만, 흥분과 행복 같은 유사한 감정들을 구별하는 데 여전히 어려움을 겪고 있습니다. 이러한 문제를 완화하기 위해, 우리는 유사한 감정들에 대해 더 구별할 수 있는 발화 표현을 생성할 수 있는 감정-瞄点 대조 학습(EACL, Emotion-Anchored Contrastive Learning) 프레임워크를 제안합니다. 이를 달성하기 위해, 우리는 라벨 인코딩을 앵커로 사용하여 발화 표현의 학습을 안내하고, 유사한 감정들의 앵커를 효과적으로 분리하도록 보조 손실 함수를 설계하였습니다. 또한, 앵커가 효과적인 분류자로 작동하여 분류 성능을 개선할 수 있도록 추가적인 적응 과정도 제안되었습니다. 광범위한 실험 결과, 제안된 EACL이 최신의 감정 인식 성능을 달성하였으며, 유사한 감정들에 대한 성능이 우수함을 입증하였습니다. 우리의 코드는 https://github.com/Yu-Fangxu/EACL에서 확인 가능합니다.注：在翻译“感情-瞄点”时，由于“瞄点”不是常见的韩语词汇，我将其翻译为“감정-瞄点”，并在后面标注了原文。正确的翻译应该是“감정-앵커”（Emotion-Anchored）。以下是修正后的版本：대화에서 감정 인식(ERC, Emotion Recognition in Conversation)은 대화 내 각 발화의 뒤에 숨은 감정을 탐지하는 과정을 포함합니다. 이 작업에서 발화의 표현을 효과적으로 생성하는 것은 여전히 중요한 도전과제입니다. 최근 연구들은 이 문제를 해결하기 위해 다양한 모델을 제안하고 있지만, 흥분과 행복 같은 유사한 감정들을 구별하는 데 여전히 어려움을 겪고 있습니다. 이러한 문제를 완화하기 위해, 우리는 유사한 감정들에 대해 더 구별할 수 있는 발화 표현을 생성할 수 있는 감정-앵커 대조 학습(EACL, Emotion-Anchored Contrastive Learning) 프레임워크를 제안합니다. 이를 달성하기 위해, 우리는 라벨 인코딩을 앵커로 사용하여 발화 표현의 학습을 안내하고, 유사한 감정들의 앵커를 효과적으로 분리하도록 보조 손실 함수를 설계하였습니다. 또한, 앵커가 효과적인 분류자로 작동하여 분류 성능을 개선할 수 있도록 추가적인 적응 과정도 제안되었습니다. 광범위한 실험 결과, 제안된 EACL이 최신의 감정 인식 성능을 달성하였으며, 유사한 감정들에 대한 성능이 우수함을 입증하였습니다. 우리의 코드는 https://github.com/Yu-Fangxu/EACL에서 확인 가능합니다.