深度说话人识别中的偏差与公平性研究
声音
2023-03-15 v1 人工智能
音频与语音处理
摘要
随着使用说话人识别（SR）系统作为个人身份验证与服务个性化的智能设备无处不在，SR系统的公平性已成为一个重要的关注点。本文基于三种流行且相关的定义，即统计均等（Statistical Parity）、均等几率（Equalized Odds）和均等机会（Equal Opportunity），研究了近期SR系统中的公平性概念。我们考察了5种流行的神经架构和5种常用于训练SR系统的损失函数，并针对性别和国籍群体评估其公平性。我们详尽的实验阐明了该概念，并表明更复杂的编码器架构更符合公平性的定义。此外，我们发现损失函数的选择会显著影响SR模型的偏差。
引用
@article{arxiv.2303.08026,
title = {A Study on Bias and Fairness In Deep Speaker Recognition},
author = {Amirhossein Hajavi and Ali Etemad},
journal= {arXiv preprint arXiv:2303.08026},
year = {2023}
}