AdaMS：用于声学词区分的自适应边界与自适应尺度的深度度量学习

深度度量学习中的许多近期损失函数以对数和指数形式表达，并涉及边界和尺度作为基本超参数。由于每个数据类具有内在特征，此前已有若干工作尝试通过引入自适应边界来学习接近真实分布的嵌入空间。然而，关于自适应尺度的工作尚属空白。我们论证边界和尺度在训练期间均应自适应可调。在本文中，我们提出了一种名为自适应边界与尺度的方法，其中边界和尺度的超参数被替换为每个类的自适应边界和自适应尺度的可学习参数。我们的方法在Wall Street Journal数据集上进行了评估，并在词区分任务中取得了超越的性能。