SPLDA 的无监督适应
机器学习
2015-11-25 v1
摘要
最先进的说话人识别依赖于需要大量训练数据的模型。这些模型在诸如 NIST SRE 的任务中是成功的，因为有充足的数据可用。然而，在真实应用中，我们通常没有如此多的数据，且在许多情况下说话人标签未知。我们提出一种方法，将 PLDA 模型从具有大量标记数据的域适应到另一个具有未标记数据的域。我们描述了一个生成模型，其生成这两组数据，其中未知标签被建模为潜变量。我们使用变分贝叶斯来估计隐藏变量。在此，我们推导了该模型的等式。该模型已用于以下论文："UNSUPERVISED ADAPTATION OF PLDA BY USING VARIATIONAL BAYES METHODS" 发表于 ICASSP 2014, "Unsupervised Training of PLDA with Variational Bayes" 发表于 Iberspeech 2014, 以及 "VARIATIONAL BAYESIAN PLDA FOR SPEAKER DIARIZATION IN THE MGB CHALLENGE" 发表于 ASRU 2015。
引用
@article{arxiv.1511.07421,
title = {Unsupervised Adaptation of SPLDA},
author = {Jesús Villalba},
journal= {arXiv preprint arXiv:1511.07421},
year = {2015}
}
备注
Technical Report, ViVolab, I3A, University of Zaragoza, Spain. arXiv admin note: text overlap with arXiv:1511.07318