分而共治：基于非独立同分布数据的无监督联邦学习语音增强方法
声音
2022-02-01 v3 计算与语言
机器学习
音频与语音处理
摘要
我们提出 FEDENHANCE，一种用于语音增强与分离的无监督联邦学习（FL）方法，适用于跨多个客户端非独立同分布（non-IID）的数据。我们模拟了一个真实场景：每个客户端仅能访问来自有限且不相交说话人的少量含噪录音（因此为非 IID）。每个客户端使用混合不变训练在隔离状态下训练其模型，同时定期向中央服务器提供更新。我们的实验表明，与单设备上 IID 训练相比，我们的方法取得了具有竞争力的增强性能，并且我们可以通过服务器端迁移学习进一步加快收敛速度并提升整体性能。此外，我们展示了可以有效整合本地以有监督与无监督损失训练的客户端更新。我们还发布了一个新数据集 LibriFSD50K 及其构建方法，以促进面向源分离问题的联邦学习研究。
引用
@article{arxiv.2105.04727,
title = {Separate but Together: Unsupervised Federated Learning for Speech Enhancement from Non-IID Data},
author = {Efthymios Tzinis and Jonah Casebeer and Zhepei Wang and Paris Smaragdis},
journal= {arXiv preprint arXiv:2105.04727},
year = {2022}
}
备注
Accepted to WASPAA 21