面向说话人验证的领域无关少样本学习
声音
2022-06-29 v1 机器学习
音频与语音处理
摘要
用于验证系统的深度学习模型通常难以泛化到新用户和新环境，即便它们学到了高度判别性的特征。为解决此问题，我们提出了一种少样本领域泛化框架，该框架学习应对新用户和新领域的分布偏移。我们的框架由领域特定网络和领域聚合网络组成，它们分别是特定领域和组合领域的专家。通过使用这些网络，我们在训练阶段生成模拟新用户和新领域同时出现的情景，以最终产生更好的泛化能力。为节省内存，我们通过将相似领域聚类在一起来减少领域特定网络的数量。在人工生成的噪声领域上的广泛评估中，我们可以明确展示我们框架的泛化能力。此外，我们将所提方法应用于标准基准上已有的竞争性架构，显示出进一步的性能提升。
引用
@article{arxiv.2206.13700,
title = {Domain Agnostic Few-shot Learning for Speaker Verification},
author = {Seunghan Yang and Debasmit Das and Janghoon Cho and Hyoungwoo Park and Sungrack Yun},
journal= {arXiv preprint arXiv:2206.13700},
year = {2022}
}
备注
Proceedings of INTERSPEECH 2022