MiniVox 中作为完全在线学习问题的说话人日志化
机器学习
2021-12-28 v3 人工智能
人机交互
机器学习
摘要
我们提出了一种新颖的机器学习框架，在完全在线学习设定下，无需先验注册与预训练即可进行实时多说话人日志化与识别。我们的贡献有两点。首先，我们提出了一个新的基准来评估极少被研究的完全在线说话人日志化问题。我们基于现有的真实世界语句数据集自动构建了 MiniVox，一个生成无限配置连续多说话人语音流的实验环境。其次，我们考虑了带有阶段性揭示奖励的在线学习的实际问题，并引入了基于半监督与自监督学习方法的解决方案。此外，我们提供了一个可运行的基于网络的识别系统，它通过可扩展的情境化_bandit（contextual bandit）将旧臂的表示迁移到新臂，交互式地处理新用户加入的冷启动问题。我们证明了所提方法在在线 MiniVox 框架中获得了鲁棒的性能。
引用
@article{arxiv.2006.04376,
title = {Speaker Diarization as a Fully Online Learning Problem in MiniVox},
author = {Baihan Lin and Xinxin Zhang},
journal= {arXiv preprint arXiv:2006.04376},
year = {2021}
}