基于表示的元学习用于少样本语音意图识别
计算与语言
2021-06-30 v1
摘要
语音意图检测已成为一种轻松与各种智能设备交互的流行方法。然而,此类系统受限于预设的意图词或命令列表,这限制了个人设备对新意图的快速定制。本文提出一种通过元学习范式利用任务无关表示的少样本语音意图分类方法。具体而言,我们利用流行的基于表示的元学习来构建话语的任务无关表示,随后使用线性分类器进行预测。我们在两个流行的语音意图分类数据集——Google Commands 和 Fluent Speech Commands 数据集上开发的新型实验协议上评估了三种此类方法。对于新类别的 5-shot(1-shot)分类,所提框架在 Google Commands 数据集上提供平均分类准确率 88.6%(76.3%),在 Fluent Speech Commands 数据集上提供 78.5%(64.2%)。该性能可与具有大量训练样本的传统监督分类模型相媲美。
引用
@article{arxiv.2106.15238,
title = {Representation based meta-learning for few-shot spoken intent recognition},
author = {Ashish Mittal and Samarth Bharadwaj and Shreya Khare and Saneem Chemmengath and Karthik Sankaranarayanan and Brian Kingsbury},
journal= {arXiv preprint arXiv:2106.15238},
year = {2021}
}
备注
Accepted paper at Interspeech 2020, 21st Annual Conference of the International Speech Communication Association, Virtual Event, Shanghai, China, 25-29 October, 2020