面向说话人验证公平性的对抗重加权方法
音频与语音处理
2024-02-09 v1 声音
摘要
我们利用对抗重加权（ARW）方法解决说话人验证的性能公平性问题。ARW 针对说话人验证结合度量学习进行了重构，并证明可在不同性别与国籍子群上改善结果，且无需训练数据中的子群标注。一个对抗网络为批次中每个训练样本学习一个权重，从而迫使主学习器聚焦于表现不佳的样本。通过极小极大优化算法，该方法提升了整体说话人验证公平性。我们提出三种不同的 ARW 表述：累积成对相似度、伪标注与成对加权，并在 VoxCeleb 语料库上以等错误率（EER）衡量其性能。结果显示，成对加权方法可取得 1.08% 的整体 EER，男性 1.25%、女性 0.67%，相对 EER 分别降低 7.7%、10.1% 与 3.0%。对于国籍子群，所提算法在美国说话人上 EER 为 1.04%，英国说话人 0.76%，其他所有 1.22%。性别组间的绝对 EER 差距由 0.70% 缩小至 0.58%，而国籍组上的标准差由 0.21 降至 0.19。
引用
@article{arxiv.2207.07776,
title = {Adversarial Reweighting for Speaker Verification Fairness},
author = {Minho Jin and Chelsea J. -T. Ju and Zeya Chen and Yi-Chieh Liu and Jasha Droppo and Andreas Stolcke},
journal= {arXiv preprint arXiv:2207.07776},
year = {2024}
}