面向关键词 spotting 的联邦学习
音频与语音处理
2019-02-19 v4 计算与语言
机器学习
声音
机器学习
摘要
我们提出一种基于联邦学习的实用方法，以解决持续运行的嵌入式语音模型（如唤醒词检测器）的域外问题。我们基于模拟唤醒词用户联邦的众包数据集，对“Hey Snips”唤醒词进行了联邦平均算法的广泛实证研究。我们凭经验证明，采用受Adam启发的自适应平均策略替代标准加权模型平均，可大幅减少达到目标性能所需的通信轮数。每位用户相关的上行通信成本估计为8 MB，在智能家庭语音助手情境下是合理的。此外，这些实验所用数据集已开源，旨在促进联邦学习在语音数据应用方面进一步透明的研究。
关键词
引用
@article{arxiv.1810.05512,
title = {Federated Learning for Keyword Spotting},
author = {David Leroy and Alice Coucke and Thibaut Lavril and Thibault Gisselbrecht and Joseph Dureau},
journal= {arXiv preprint arXiv:1810.05512},
year = {2019}
}
备注
Accepted for publication to ICASSP 2019