[論文レビュー] Autoencoder based Domain Adaptation for Speaker Recognition under Insufficient Channel Information

Suwon Shon, Seongkyu Mun+2 more|arXiv (Cornell University)|Aug 3, 2017

Speech Recognition and Synthesis参考文献 21被引用数 3

ひとこと要約

本論文では、リソース豊富な開発セットからリソースが乏しいテストドメインに話者認識システムを適応させるための非教師あり手法である自己符号化器ベースのドメイン適応（AEDA）を提案する。この手法は標準的およびノイズ除去自己符号化器を組み合わせ、チャネル情報が不足している状況下でも性能を発揮する。Interspeech 2017 ドメイン適応チャレンジで評価された結果、ドメイン不一致の条件下でもベースラインや先行手法に比べ顕著な性能向上を達成した。

ABSTRACT

In real-life conditions, mismatch between development and test domain degrades speaker recognition performance. To solve the issue, many researchers explored domain adaptation approaches using matched in-domain dataset. However, adaptation would be not effective if the dataset is insufficient to estimate channel variability of the domain. In this paper, we explore the problem of performance degradation under such a situation of insufficient channel information. In order to exploit limited in-domain dataset effectively, we propose an unsupervised domain adaptation approach using Autoencoder based Domain Adaptation (AEDA). The proposed approach combines an autoencoder with a denoising autoencoder to adapt resource-rich development dataset to test domain. The proposed technique is evaluated on the Domain Adaptation Challenge 13 experimental protocols that is widely used in speaker recognition for domain mismatched condition. The results show significant improvements over baselines and results from other prior studies.

研究の動機と目的

• 訓練データにテストドメインのチャネル特性が十分に反映されていない場合に生じる話者認識性能の低下を是正すること。
• ドメインシフトの緩和に有効に活用できる、限られたドメイン内データを活用する非教師ありドメイン適応手法の開発。
• チャネル変動情報が不足する現実世界の状況下でも、話者認識システムの一般化性能を向上させること。
• リソースが乏しいドメイン環境におけるドメイン適応において、自己符号化器とノイズ除去自己符号化器を組み合わせることの有効性を検討すること。

提案手法

• 本手法は、開発ドメインとテストドメインの両方で共通のコンact表現を学習するために標準的自己符号化器を用いる。
• ノイズ除去自己符号化器により、汚れたバージョンからクリアな入力を再構築することで、未観測のチャネル状態に対しても一般化性能を向上させる。
• 2つの自己符号化器を共同で学習させ、リソース豊富な開発データの潜在空間と限られたドメイン内テストデータの潜在空間を一致させる。
• 特徴レベルでのドメイン適応は、開発セットの特徴をドメインシフトを低減する共通の潜在空間に投影することで実現する。
• ドメイン内ラベルを必要としないため、非教師あり適応に適している。
• 最終的な話者認識システムは、適応された特徴に基づいて学習され、適応された表現を活用して一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 限られたドメイン内データしか利用できない状況下で、非教師ありドメイン適応手法が話者認識性能を顕著に向上させることができるか。
• RQ2 標準的自己符号化器とノイズ除去自己符号化器を組み合わせることで、話者認識におけるドメインシフトに対するロバスト性がどのように向上するか。
• RQ3 既存のベースラインと比較して、提案手法AEDAはドメイン不一致状況下での性能低下をどの程度低減できるか。
• RQ4 自己符号化器とノイズ除去自己符号化器を併用することで、リソースが乏しいチャネル環境下でもより良い一般化性能が得られるか。

主な発見

• 提案手法AEDAは、ドメイン適応チャレンジ2013プロトコルにおいてベースラインシステムに比べ顕著な性能向上を達成した。
• 限られたドメイン内データのもとでドメイン不一致状況下でも、AEDAは先行の最先端手法を上回る性能を発揮した。
• 標準的自己符号化器とノイズ除去自己符号化器の組み合わせにより、チャネル変動下でもよりロバストな特徴表現が得られた。
• 非教師あり性のおかげで、ドメイン内ラベルを必要とせず、効果的な適応が可能となった。