基于数据参数的动态课程学习用于噪声鲁棒关键词 spotting
音频与语音处理
2021-02-22 v1 人工智能
机器学习
声音
摘要
我们提出基于数据参数的动态课程学习用于噪声鲁棒关键词 spotting。数据参数学习近期被引入图像处理，其中为目标类别和样本引入并随模型参数一同优化所谓的权重参数（即数据参数）。数据参数在训练中对 logits 进行缩放，并控制类别与样本的重要性，从而实现无需额外训练数据标注的自动课程学习。类似地，本文提出将此种课程学习方法用于声学建模，并使用数据参数在干净与含噪语音上训练声学模型。所提方法在梯度下降优化中自动学习类别与样本的难度（例如由于低信噪比 SNR 引起），并执行课程学习。该课程学习带来了声学模型准确率的全面提升。我们在关键词 spotting 任务上评估了所提方法的有效性。实验结果表明，与直接在多条件数据集上训练的基线模型相比，使用数据参数使错误拒绝率相对降低 7.7%。
引用
@article{arxiv.2102.09666,
title = {Dynamic curriculum learning via data parameters for noise robust keyword spotting},
author = {Takuya Higuchi and Shreyas Saxena and Mehrez Souden and Tien Dung Tran and Masood Delfarah and Chandra Dhir},
journal= {arXiv preprint arXiv:2102.09666},
year = {2021}
}
备注
Accepted at ICASSP 2021