رفع مشکل کوچک شدن گرادیان در آموزش شبکه افزایش داده به کمک شبکه¬های مولد متخاصمی جهت تشخیص احساس از سیگنال گفتار

نتیجه گیری: کمبود داده می‌تواند از دستیابی به نتیجه مطلوب در آموزش شبکه عصبی عمیق جلوگیری کند که این مسئله یک مشکل جدی در تشخیص احساس از گفتار با استفاده از شبکه‌های عصبی عمیق است. به طور معمول، عدم وجود داده‌های کافی جهت آموزش، منجر به اورفیتینگ و پیچیده شدن ساختار شبکه می‌گردد. در این مقاله، یک شبکه جدید برای افزایش داده جهت تولید نمونه‌های مصنوعی ارائه شد که نمونه‌های تولید شده را در فضای نمونه‌های اصلی جای می‌دهد. به‌جای بردارهای حاوی ویژگی‌های احساس در فضای با ابعاد بالا، روش پیشنهادی می‌تواند فضایی از احساسات ایجاد کند که نمونه‌های ساخته شده را در فضای اصلی بازسازی کند. نتایج نشان می‌دهد که روش پیشنهادی می‌تواند بر مشکل کوچک شدن گرادیان در شبکه‌های مولد متخاصمی معمولی غلبه کند و نمونه‌های احساسی جدیدی تولید کند که با ترکیب آنها با نمونه‌های اصلی برای تبدیل احساس از سیگنال گفتار مفید واقع شوند.

تأثیر سایر تکنیک‌های افزایش داده، مانند تکثیر مشاهدات، تبدیل داده‌ها و SMOTE، بر روی مدل‌های غیرخطی متفاوت است. SMOTE می‌تواند نمونه‌های مصنوعی قابل‌توجهی از داده‌های با کلاس‌های کم تولید کند. افزودن نویز به نمونه‌های اصلی هنگامی‌که نمونه‌های اصلی قابل تشخیص هستند می‌تواند کمک کند اما هنگامی‌که با یکدیگر ادغام می‌شوند به عملکرد آسیب می‌رساند. شبکه افزایش داده متخاصمی پیشنهادی می‌توانند نمونه‌های ارزشمند و جدیدی ایجاد کنند که به بهبود انتقال احساسات از گفتار با شبکه‌های عصبی عمیق کمک نمایند. در مقایسه با سایر تکنیک‌های افزایش داده، روش پیشنهاد شده می‌تواند عملکرد بهتری داشته باشد.

مدل پیشنهادی می‌تواند بر مشکلات آموزش شبکه‌های مولد متخاصمی استاندارد غلبه کند. وجود دو ورودی مجزا در شبکه تشخیص‌دهنده به جلوگیری از کوچک شدن تدریجی گرادیان و عدم تعادل در داده‌های آموزش کمک می‌کند. استراتژی تولید نمونه‌های تقلبی احساس در فضای ویژگی نمونه‌های اصلی و به دنبال آن بازسازی نمونه‌ها در فضای اصلی، شبکه مولد را در فریب شبکه تشخیص‌دهنده کمک می‌کند. همچنین اطمینان حاصل می‌شود که نمونه‌های تولید شده می‌توانند توزیع واقعی داده‌ها را دنبال کنند. با جایگزینی شبکه‌های افزایش داده متخاصمی واسراستین برای غلبه بر مشکل ازبین‌رفتن و کوچک شدن گرادیان، موفق شدیم روش افزایش داده متخاصمی پیشنهادی را برای استفاده در پایگاه داده‌های نامتعادل تعمیم دهیم.