zoukankan      html  css  js  c++  java
  • 针对领域不变训练的注意力对抗学习

    ICASSP 2019 SLP-P17.3: ATTENTIVE ADVERSARIAL LEARNING FOR DOMAIN-INVARIANT TRAINING(针对领域不变训练的注意力对抗学习)

       

    简介

    基于注意力机制的领域不变对抗性训练,用于抑制说话人变量与环境变量,以实现鲁棒ASR

       

    基于对抗的领域不变性训练(Adversarial Domain-Invariant Training,ADIT)

    收敛:

    同时,通过最小化预测三音素后验与三音素标签之间的交叉熵以提高F的三音素鉴别性:

    基于注意力机制的、对抗的领域不变性训练(Attentive Adversarial Domain-Inveriant Training,AADIT)

    ADIT中,领域分类损失函数 等于 深度特征序列中每个特征的分类错误之和。然而,与无话语帧的深度特征相比,有话语帧的深度特征更具有领域鉴别性;与辅音相比,元音的深度特征的领域变化性更大。为解决这一问题,本文提出使用注意力机制动态且自动地调整深度特征的权重,以对更具有领域鉴别性的深度特征进行强调,这样,能增强所有深度特征的领域不变性。

       

    本文使用了更适用于ASRsoft local(time-restricted) self-attentionlocal attention选择性地将注意力集中于上下文窗(以当前时间为中心)。

       

       

    • 点积attention

    • 加性attention

       

    领域分类损失函数变为:

       

    参数估计可表示为:

    实验结果与结论

    与多场景LSTM声学模型相比,single-head AADIT变好13.6%

    ADIT相比,single-head AADIT变好9.3%

       

    参考文献

    ATTENTIVE ADVERSARIAL LEARNING FOR DOMAIN-INVARIANT TRAINING

    Zhong MengJinyu LiYifan Gong, Microsoft Corporation, United States

  • 相关阅读:
    WebAPI 资料
    TransactionScope事务类的使用
    Go入门笔记34-Go 使用Ioctl
    解决XShell XFTP传输Go可执行文件导致出错问题
    Go入门笔记33-Go 交叉编译
    博客园添加横向菜单
    C# 正则替换、Json格式化等
    Ubuntu批量修改文件后缀
    Linux免密登录
    Go入门笔记32-继承
  • 原文地址:https://www.cnblogs.com/JarvanWang/p/10950427.html
Copyright © 2011-2022 走看看