使用二值神经网络实现关键词识别的持续学习
机器学习
2025-08-15 v1 声音
摘要
关键词识别（KWS）是实现与无处不在的智能设备交互的一项基本功能。然而，在资源有限的设备中，KWS 模型通常是静态的，因此无法适应新场景，例如增加的关键词。为了克服这个问题，我们提出了一种基于二值神经网络（BNN）的 KWS 持续学习（CL）方法。该框架利用了 BNN 减少的计算和内存需求，同时融合了能够随时间无缝集成新关键词的技术。本研究在一个 16 类用例上评估了七种 CL 技术，报告显示，对于单个新增关键词，准确率超过 95%，对于四个新增类别，准确率高达 86%。我们还评估了对持续学习阶段训练样本数量的敏感性以及计算复杂度的差异。这些评估表明，基于批处理的算法对持续学习数据集的大小更敏感，并且计算复杂度之间的差异不显著。这些发现凸显了开发一种有效且计算高效的技术，用于在 KWS 应用中持续集成新关键词的潜力，该技术与资源受限设备兼容。
引用
@article{arxiv.2505.02469,
title = {Efficient Continual Learning in Keyword Spotting using Binary Neural Networks},
author = {Quynh Nguyen-Phuong Vu and Luciano Sebastian Martinez-Rau and Yuxuan Zhang and Nho-Duc Tran and Bengt Oelmann and Michele Magno and Sebastian Bader},
journal= {arXiv preprint arXiv:2505.02469},
year = {2025}
}
备注
Accepted for publication on "2025 IEEE Sensors Applications Symposium"