迈向持续学习新语言

基于神经网络的多语言语音识别通常以批学习实现，即在训练前所有语言均已可用。能够在先前训练会话后添加新语言可能具有经济效益，但主要挑战是灾难性遗忘。本工作中，我们结合权重分解与弹性权重巩固的特性，以对抗灾难性遗忘并促进快速学习新语言。这种组合使我们消除了灾难性遗忘，同时对新语言取得了与一次性拥有所有语言相当的性能；在从初始 10 种语言学习到 26 种语言的实验中，实现了无灾难性遗忘且与从头训练所有语言相比合理的性能。