利用 GAN 改进连续轨迹键盘输入模型
人机交互
2020-10-08 v2 音频与语音处理
摘要
连续轨迹键盘输入比标准点按具有更高的内在歧义性，因为轨迹痕迹不仅可能表现出局部的过冲/欠冲（如同点按中那样），而且根据用户不同还可能呈现显著的中途偏离。因此部署一个鲁棒的解决方案需要大量高质量的训练数据，而这类数据难以收集/标注。在这项工作中，我们通过使用 GAN 以用户逼真的合成数据扩充我们的训练语料来应对这一挑战。实验表明，尽管 GAN 生成的数据并未捕捉真实用户数据的所有特征，但在 5:1 的 GAN 对真实数据比例下仍显著提升了准确率。因此，GAN 通过极大增加的词覆盖和轨迹多样性为模型注入了更强的鲁棒性。
引用
@article{arxiv.2004.07800,
title = {Leveraging GANs to Improve Continuous Path Keyboard Input Models},
author = {Akash Mehra and Jerome R. Bellegarda and Ojas Bapat and Partha Lal and Xin Wang},
journal= {arXiv preprint arXiv:2004.07800},
year = {2020}
}