一种用于自动语音识别课程生成的 bandit 方法
计算与语言
2021-02-09 v1 声音
音频与语音处理
摘要
自动语音识别(ASR)任务一直是一个具有挑战性的领域，尤其是在音频样本很少的低数据场景下。这是在低资源或边缘化语言数据上训练 ASR 系统的主要问题。在本文中，我们提出一种方法，通过结合自动课程学习(ACL)与受强化学习启发的对抗式 bandit 方法来缓解训练数据的缺乏。该方法的目标是优化按难度级别排序的 mini-batch 的训练序列，并将 ASR 性能指标与随机训练序列和离散课程进行比较。我们在一个真正的低资源语言上测试了我们的方法，并表明 bandit 框架相比基线迁移学习模型有良好改进。
引用
@article{arxiv.2102.03662,
title = {A bandit approach to curriculum generation for automatic speech recognition},
author = {Anastasia Kuznetsova and Anurag Kumar and Francis M. Tyers},
journal= {arXiv preprint arXiv:2102.03662},
year = {2021}
}