Maximizing SER Performance with ICR-SEA: A Novel Framework for Grid-Search Optimization
Notice bibliographique
Résumé
This proposed work develops a novel strategy to optimize CNN-LSTM (Convolutional Neural Network-Long Short-Term Memory for SER (Speech Emotion Recognition) using Mel-spectrograms as input features with the RAVDESS (Ryerson Audio-Visual Database of Emotional Speech and Song) data corpus. Data pre-preparation, including dataset class balancing and augmentation improves model generalization. The hyperparameter tuning strategy employs the Iterative Candidate Refinement with Successive Epoch Adjustment (ICR-SEA) algorithm, which efficiently tunes the CNN-LSTM architecture and training parameters. This approach systematically filters best candidates while dynamically adjusting the number of training epochs, ensuring computational effectiveness. This hyperparameter tuning process investigates changes in convolutional filters, kernel sizes, dense layer sizes, dropout rates, batch sizes, learning rates, and epochs. The top-performing candidate model is precisely evaluated and filtered for the next iteration. The optimized model reaches a classification accuracy of 85.36% approximately during hyperparameter tuning. This research emphasizes the effectiveness of the ICR-SEA algorithm in hyperparameter optimization and the significance of data augmentation in improving the generalizability and performance of emotion recognition systems, setting a benchmark for future work with the RAVDESS dataset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».