流式锚定损失：以时间显著性增强监督

用于对各种语音和感知信号进行快速逐帧响应的流式神经网络模型，在资源受限平台上被广泛采用。因此，通过增加参数来提升此类流式模型的学习能力以改善预测能力，对实际任务可能不可行。本工作中，我们提出一种新损失——流式锚定损失(SAL)，通过鼓励模型从关键帧学习更多来更好地利用给定学习能力。具体而言，我们的 SAL 及其焦点变体基于对应帧的重要性动态调节逐帧交叉熵损失，从而对语义关键事件时间邻近范围内的帧施加更高损失惩罚。因此，我们的损失确保模型训练聚焦于预测相对稀少但任务相关的帧。在三个不同基于语音的检测任务上，使用标准轻量卷积与循环流式网络的实验结果表明，SAL 使模型在无需额外数据、模型参数或架构改动的情况下，以更高准确率和更低延迟更有效地学习整体任务。