面向声学事件分类的联邦自监督学习
声音
2022-03-24 v1 机器学习
音频与语音处理
摘要
标准声学事件分类(AEC)方案需要从客户端设备大规模收集数据以优化模型。联邦学习(FL)是一种将数据收集与模型训练解耦以增强用户隐私的有力框架。在本工作中，我们探究在无法将客户数据直接上传至服务器的前提下应用FL提升AEC性能的可行性。我们假设无法从设备端用户输入推断伪标签，这与AEC的典型用例一致。我们将自监督学习适配到FL框架中，用于设备端表征的持续学习，从而在无标注/伪标注数据可用的情况下提升了下游AEC分类器的性能。相较于无FL的基线，所提方法在保持召回率的同时将精确率相对提升高达20.3%。我们的工作不同于先前FL工作的之处在于：我们的方法不需要用户生成的学习目标，且我们使用的数据来自Beta计划并经过去标识化，以最大程度模拟生产环境。
引用
@article{arxiv.2203.11997,
title = {Federated Self-Supervised Learning for Acoustic Event Classification},
author = {Meng Feng and Chieh-Chi Kao and Qingming Tang and Ming Sun and Viktor Rozgic and Spyros Matsoukas and Chao Wang},
journal= {arXiv preprint arXiv:2203.11997},
year = {2022}
}