[论文解读] 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 3

一句话总结

本文提出了一种基于自编码器的域适应方法（AEDA），这是一种无监督方法，通过结合标准自编码器与去噪自编码器，将资源丰富的发展集中的说话人识别系统适应到资源匮乏的测试域，且该测试域缺乏足够的信道信息。在Interspeech 2017域适应挑战赛中，AEDA在域不匹配条件下显著优于基线方法和先前方法。

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.

研究动机与目标

• 解决当测试域的信道特性在训练数据中未能充分表示时，说话人识别性能下降的问题。
• 开发一种无监督域适应方法，有效利用有限的域内数据以缓解域偏移问题。
• 在缺乏信道可变性信息的真实世界条件下，提升说话人识别系统的泛化能力。
• 探究结合自编码器与去噪自编码器在低资源域场景下进行域适应的有效性。

提出的方法

• 该方法使用标准自编码器学习发展集与测试集之间共享的紧凑表示。
• 通过使用去噪自编码器从损坏的输入中重建干净输入，提升对未见信道条件的泛化能力，从而增强鲁棒性。
• 通过联合训练两个自编码器，将资源丰富的开发数据的潜在空间与有限的域内测试数据对齐。
• 通过将发展集特征投影到共享潜在空间，实现特征级域适应，从而减小域偏移。
• 该方法无需域内标签，因此适用于无监督适应。
• 最终的说话人识别系统在经过适应的特征上进行训练，利用适应后的表示以提升泛化能力。

实验结果

研究问题

• RQ1 当仅有有限的域内数据可用时，无监督域适应方法是否能有效提升说话人识别性能？
• RQ2 结合标准自编码器与去噪自编码器如何增强说话人识别在域偏移下的鲁棒性？
• RQ3 与现有基线方法相比，所提出的AEDA方法在域不匹配条件下能将性能下降减少到何种程度？
• RQ4 在低资源信道条件下，联合使用自编码器与去噪自编码器是否能带来更好的泛化性能？

主要发现

• 所提出的AEDA方法在2013年域适应挑战赛协议下，显著优于基线系统。
• 在仅有有限域内数据的域不匹配条件下，AEDA在说话人识别任务中优于先前的最先进方法。
• 标准自编码器与去噪自编码器的结合在信道可变性条件下产生了更鲁棒的特征表示。
• 该方法的无监督特性使其无需依赖带标签的域内数据，即可实现有效的适应。