[论文解读] Remarks on Optimal Scores for Speaker Recognition

Dong Wang|arXiv (Cornell University)|Oct 10, 2020

Speech Recognition and Synthesis参考文献 29被引用 11

一句话总结

本文确立了归一化似然（NL）得分作为说话人识别与验证的最小贝叶斯风险（MBR）最优评分方法。它证明了在线性高斯生成模型下，NL得分在数学上等价于PLDA似然比，且余弦距离与欧氏距离是该最优得分的近似，从而为说话人识别评分提供了一个理论基础坚实的整体框架。

ABSTRACT

In this article, we first establish the theory of optimal scores for speaker recognition. Our analysis shows that the minimum Bayes risk (MBR) decisions for both the speaker identification and speaker verification tasks can be based on a normalized likelihood (NL). When the underlying generative model is a linear Gaussian, the NL score is mathematically equivalent to the PLDA likelihood ratio, and the empirical scores based on cosine distance and Euclidean distance can be seen as approximations of this linear Gaussian NL score under some conditions. We discuss a number of properties of the NL score and perform a simple simulation experiment to demonstrate the properties of the NL score.

研究动机与目标

• 通过最小贝叶斯风险（MBR）决策理论推导说话人识别的理论最优评分方法。
• 在单一最优评分框架下统一处理说话人识别（SI）与说话人验证（SV）的评分方法。
• 证明在MAP原则下，归一化似然（NL）得分对SI与SV任务均是最优的。
• 证明当说话人向量服从线性高斯模型时，NL得分与PLDA似然比数学等价。
• 分析常用经验得分（余弦与欧氏距离）作为最优NL得分近似的理论依据。

提出的方法

• 基于MAP原则推导出MBR最优决策规则，从而提出归一化似然（NL）得分为 $ \frac{p_k(\mathbf{x})}{p(\mathbf{x})} $，其中 $ p_k(\mathbf{x}) $ 为测试语音在类别 $ k $ 下的似然，$ p(\mathbf{x}) $ 为所有类别的边缘似然。
• 证明在具有有限注册的线性高斯模型下，NL得分在数学上等价于PLDA似然比。
• 分析余弦距离与欧氏距离近似NL得分的条件，特别是与类内方差和维度的关系。
• 通过已知与未知类别均值的模拟实验，比较NL、余弦与欧氏得分在EER与IDR指标上的性能表现。
• 引入NL得分在可逆变换下的不变性性质，使其可通过神经变换推广至非线性与非高斯模型。
• 通过学习一个可逆变换将数据映射到满足线性高斯模型的空间，提出PLDA的非线性扩展——神经判别分析（NDA）。

实验结果

研究问题

• RQ1 在最小贝叶斯风险（MBR）准则下，说话人识别的理论最优评分函数是什么？
• RQ2 在线性高斯模型下，归一化似然（NL）得分与广泛使用的PLDA似然比有何关系？
• RQ3 在何种条件下，余弦与欧氏距离可被视为最优NL得分的有效近似？
• RQ4 在类内方差与维度变化时，NL、余弦与欧氏得分的性能特征如何比较？
• RQ5 能否通过可逆变换将NL框架扩展至非高斯与非线性数据分布？

主要发现

• 证明了归一化似然（NL）得分是说话人识别与验证任务的最小贝叶斯风险（MBR）最优评分函数。
• 在具有有限注册的线性高斯生成模型下，NL得分在数学上等价于PLDA似然比。
• 余弦距离对NL得分的近似效果优于欧氏距离，尤其在类内方差较大时更为显著。
• 模拟结果表明，NL得分无论在EER还是IDR指标上均持续优于余弦与欧氏得分，尤其在类别均值未知的场景下表现更优。
• NL得分在可逆变换下的不变性使其能够实现PLDA的非线性扩展，从而推动了神经判别分析（NDA）的开发，该方法在复杂数据分布上表现出强大性能。
• 研究表明，使用深度生成模型（如判别性归一化流）进行说话人向量归一化，比采用复杂评分方法或校准更有效，因为它能确保数据与NL得分所依赖的模型假设保持一致。