Нормализация говорящего для самоконтролируемого распознавания эмоций в речи

Крупные наборы данных для распознавания эмоций в речи трудно получить, а небольшие наборы данных могут содержать смещения. В свою очередь, классификаторы на основе глубоких нейронных сетей склонны использовать эти смещения и находить упрощённые решения, например опираться на характеристики говорящего. Такие упрощённые решения обычно ухудшают способность модели к обобщению. Для решения этой проблемы мы предлагаем основанный на градиентах фреймворк состязательного обучения, который решает задачу распознавания эмоций в речи, одновременно нормализуя характеристики говорящего в признаковом представлении. Мы демонстрируем эффективность метода как в условиях независимости от говорящего, так и в условиях зависимости от говорящего и получаем новые результаты мирового уровня на сложном наборе данных IEMOCAP.