用于无监督分数校准的生成建模
机器学习
2014-02-17 v3 机器学习
摘要
分数校准使自动说话人识别系统能够做出具有成本效益的接受/拒绝决策。传统校准需要监督数据，这是一种昂贵的资源。我们提出了一种用于无监督校准的双分量高斯混合模型（GMM），并在 NIST SRE'10 和 SRE'12 数据集上展示了其相对于监督基线的良好性能。贝叶斯分析表明，与无监督校准参数估计相关的不确定性出奇地小。
引用
@article{arxiv.1311.0707,
title = {Generative Modelling for Unsupervised Score Calibration},
author = {Niko Brümmer and Daniel Garcia-Romero},
journal= {arXiv preprint arXiv:1311.0707},
year = {2014}
}
备注
Accepted for ICASSP 2014