ASR中的联邦学习：并非如你所想般容易
音频与语音处理
2021-10-01 v1 声音
摘要
随着智能设备与云服务的日益普及，个人语音助手系统在日常中的使用愈发频繁。多数设备将语音录音重定向至中心服务器，用于升级识别器模型。这引发了重大隐私担忧，因为私人数据可能被服务器或第三方滥用。联邦学习是一种旨在解决此类担忧的分布式优化策略。利用该方法，私人数据用于设备端训练。随后，更新后的模型参数被发送至服务器以改进全局模型，并重新分发给客户端。本工作中，我们在混合模型与端到端模型中实现了语音识别的联邦学习。我们讨论了这些系统的结果，二者均表现出高度相似性且仅微小改进，表明需要对语音识别的联邦学习有更深入的理解。
引用
@article{arxiv.2109.15108,
title = {Federated Learning in ASR: Not as Easy as You Think},
author = {Wentao Yu and Jan Freiwald and Sören Tewes and Fabien Huennemeyer and Dorothea Kolossa},
journal= {arXiv preprint arXiv:2109.15108},
year = {2021}
}