通过自净化利用可靠标签训练流匹配模型

训练数据集本质上是不完美的，通常由于人工标注错误、标注模型的局限性以及其他噪声源而包含错误标记的样本。这种标签污染会显著降低训练模型的性能。在本工作中，我们引入了自净化流匹配（SPFM），这是一种在流匹配框架内过滤不可靠数据的原则性方法。SPFM 在训练过程中利用模型本身识别可疑数据，无需预训练模型或额外模块。我们的实验表明，使用 SPFM 训练的模型即使在噪声标签上训练，也能生成准确遵循指定条件的样本。此外，我们在由自然场景语音数据组成的 TITW 数据集上验证了 SPFM 的鲁棒性，其性能超越了现有基线。