본 논문은 화자 인증(Speaker Verification, SV)에서 자기 지도 학습(Self-Supervised Learning, SSL)의 성능 향상을 위한 새로운 양성 샘플링 기법인 자기 지도 양성 샘플링(Self-Supervised Positive Sampling, SSPS)을 제안합니다. 기존 SSL 방식은 동일 화자의 동일 발화를 양성 샘플로 사용하여 주로 녹음 환경 정보를 인코딩하는 한계가 있습니다. SSPS는 클러스터링과 양성 임베딩 메모리 큐를 활용하여 잠재 공간에서 동일 화자의 다른 녹음 환경을 가진 양성 샘플을 찾아 이 문제를 해결합니다. VoxCeleb1-O 데이터셋에서 SimCLR과 DINO 모델에 SSPS를 적용하여 각각 2.57%와 2.53%의 EER(Equal Error Rate)를 달성, 기존 최고 성능을 뛰어넘었습니다. 특히 SimCLR-SSPS는 화자 내 분산을 줄여 EER을 58% 감소시키며 DINO-SSPS와 비슷한 성능을 보였습니다.
