基于高斯 - 二元受限玻尔兹曼机的共享潜在子空间建模用于 NIST i-Vector Challenge 2014
机器学习
2015-03-19 v1 神经与进化计算
声音
机器学习
摘要
本文提出了一种基于高斯 - 二元受限玻尔兹曼机（GRBM）的说话人子空间建模新方法。所提出的模型基于概率线性判别分析（PLDA）中的共享因子思想。GRBM 隐藏层被划分为说话人因子和信道因子，其中说话人因子在该说话人的所有向量中共享。随后介绍了所提出模型的最大似然参数估计（MLE）。提出了多种使用 GRBM 进行说话人验证的新评分技术。展示了在 NIST i-vector Challenge 2014 数据集上的结果。
引用
@article{arxiv.1503.05471,
title = {Shared latent subspace modelling within Gaussian-Binary Restricted Boltzmann Machines for NIST i-Vector Challenge 2014},
author = {Danila Doroshin and Alexander Yamshinin and Nikolay Lubimov and Marina Nastasenko and Mikhail Kotov and Maxim Tkachenko},
journal= {arXiv preprint arXiv:1503.05471},
year = {2015}
}
备注
5 pages, 3 figures, submitted to Interspeech 2015