应用于 i-vector 和 x-vector 的重尾 PLDA 快速变分贝叶斯
机器学习
2018-03-28 v1 机器学习
摘要
使用 i-vector 或 x-vector 的文本无关说话人识别器的标准且最先进的后端是 Gaussian PLDA (G-PLDA)，并由涉及长度归一化的高斯化步骤辅助。G-PLDA 可以通过生成式或判别式方法进行训练。长期以来人们知道，在不使用长度归一化的情况下应用重尾 PLDA (HT-PLDA) 可提供相似的准确率，但计算成本相当高。我们最近引入了一种用于判别式训练的 HT-PLDA 后端的快速评分算法。本文通过引入一种快速变分贝叶斯生成式训练算法来扩展该工作。我们在 SRE'10、SRE'16 和 SITW 上，比较了新旧后端，在有无长度归一化的情况下，分别针对 i-vector 和 x-vector 进行了实验。
引用
@article{arxiv.1803.09153,
title = {Fast variational Bayes for heavy-tailed PLDA applied to i-vectors and x-vectors},
author = {Anna Silnova and Niko Brummer and Daniel Garcia-Romero and David Snyder and Lukas Burget},
journal= {arXiv preprint arXiv:1803.09153},
year = {2018}
}
备注
Submittted to Interspeech 2018