Active Learning Methods for Low Resource End-To-End Speech Recognition，INTERSPEECH2019

文章链接

背景及概述

In short, a active learning method using a joint score of uncertainty and i-vector diversity.
本文将主动学习应用于端到端（E2E）的语音识别。

• E2E模型使用encoder-decoder神经网络直接输出字词。相比于传统模型,E2E模型的计算复杂度更低，适用于缺少sub-word或音位级标注/对齐的情况。
• Low Resource指的是小语种(英语易于获取数据)的语音识别，该任务的标注代价更高。
• 不同于传统的语音识别方法包括声学模型和语言学模型，主动学习需要在两个模型上提取信息，近些年端到端的语音识别，可以直接输出N个路径的概率（路径是指一个给定语音的字符序列）。另一方面考虑到使用uncertainty sampling易于选取相同的speaker（文章假设），文中提出结合基于i-vector多样性的正则化的uncertainty sampling 主动学习方法。

方法

文中提出的方主动学习方法首先基于Least Confidence。
输入$X$X，对于输出的第i条路径$C_i$Ci​，对该条路径做归一化，避免路径的长度$L_i$Li​的影响，得到长度归一化后路径概率：

可以定义Least Confiden Score，$C^*$C∗是X多条路径中概率最大的路径:


其次考虑speaker多样性，使用i-vector无监督方法对所有数据（标注和未标注）进行编码，再对编码的i-vector进行聚类。背后的思想是，在i-vertor映射空间下，不同的簇代表的是不同的speaker，应选取多样的speaker。
假设聚类$K$K个簇，$\phi(X)$ϕ(X)表示话语$X$X编码后所属于的簇，可取值1到$K$K。把$j$j簇下样本的数量/所有簇样本数量作为多样性指标：

上述概率越小，代表在j簇上的样本数（word？）越少，在其余簇上越多，具有更大的多样性，可以定义多样性和应最大化的目标函数：


算法中每次选择综合分数最大的样本直到T个。然后更新一次多样性指标，再重复迭代。直到达到标注代价限制。

实验

实验使用ESPNET作为任务网络，网络结合了CTC和注意力机制。
数据预处理和特征提取使用Kaldi ASR 工具， 提取至83维特征。
i-vector是64维，使用k-means（欧氏距离）聚类至64个簇。
对比方法random，least confidence，proposed。

• Librispeech（英语）数据集，包括1000小时英语speech，使用包括500小时的子集作为训练集（20初始化标记数据，480为标记数据），5小时训练数据。网络结构是8层Bi-LSTM,评价标准有word error rate（WER）和character error rate（CER）:
  
• Corpus of Spontaneous Japanese（日语）数据集,包括581小时训练数据和3种类型5小时测试集。使用其中的230小时作为未标记数据，20小时作为初始标记数据。网络结构是6层Bi-LSTM,评价标准有character error rate（CER）:
  

I-vector 介绍

参考：
I-Vector的推导详解
声纹识别之I-Vector