面向自动语音识别的无回放在线持续学习
音频与语音处理
2026-01-22 v1 声音
摘要
将自动语音识别（ASR）模型微调至新领域会导致原始领域性能退化，称为灾难性遗忘（CF）。持续学习（CL）试图训练ASR模型而不遭受CF。在ASR中通常考虑离线CL，而在线CL是更真实但更具挑战性的场景，与离线CL不同，模型不知道任务边界何时发生。基于回放的方法（在内存中存储已见话语）常被用于ASR及其他研究领域的在线CL。然而，近期研究表明，权重平均是ASR中离线CL的一种有效方法。基于该结果，我们在本文中提出一种适用于在线CL的无回放方法。我们的方法在两个实验中优于所有基线，包括基于回放的方法。我们的方法是迈向通用ASR持续学习的一步，应能在极少或无任何约束下实现所有场景中的CL。
引用
@article{arxiv.2306.10860,
title = {Rehearsal-Free Online Continual Learning for Automatic Speech Recognition},
author = {Steven Vander Eeckt and Hugo Van hamme},
journal= {arXiv preprint arXiv:2306.10860},
year = {2026}
}
备注
Accepted at INTERSPEECH 2023. 5 pages