본 논문은 자발적 음성 감정 데이터에서 감정 평가자의 주관적인 차이로 인한 레이블 불확실성 문제를 해결하는 새로운 접근법을 제시합니다. 기존의 합의된 감정 레이블(최다 득표 감정) 대신, 감정 점수의 확률 밀도 함수를 목표값으로 사용하여 모델 성능을 향상시켰습니다. 또한, 주목도 기반 기초 모델(FM) 표현 선택을 통해 최첨단 음성 감정 인식 모델을 훈련하고, 다양한 FM 표현 간의 비교를 통해 성능 평가의 한계점(전체 테스트 세트 성능에 대한 집중으로 인한 일반화 능력 저하)을 지적합니다. 성별 및 화자 간의 성능 분석과 다중 테스트 세트 평가를 통해 모델 유용성을 평가하고, 레이블 불확실성과 데이터 불균형 문제를 해결하기 위해 최선 가설 대신 2~3가지 최선 가설을 고려하는 것이 유용함을 보여줍니다.
