声纹识别中PLDA的域自适应的通用框架

A GENERALIZED FRAMEWORK FOR DOMAIN ADAPTATION OF PLDA IN SPEAKER RECOGNITION

2020顶会论文学习

提出了一种用于说话人识别中的概率线性判别分析（PLDA）领域自适应的通用框架。它不仅包括几种现有的有监督的和无监督的域自适应方法，而且还使得可以灵活地使用不同域中的可用数据。（1）基于相关对齐的插值和（2）协方差正则化。所提出的基于相关性比对的插值方法与自适应之前的域外PLDA模型相比，将minCprimary降低了30.5％，并且与具有最佳插值权重的传统线性插值方法相比，minCprimary的数值也降低了5.5％。此外，提出的正则化技术确保了插值w.r.t.的鲁棒性。改变插值权重.

1. 最先进的说话人识别系统由x矢量（或i矢量）说话人嵌入前端，然后是PLDA后端组成，已显示出令人鼓舞的性能[11]。这些组件的有效性取决于大量标记培训数据的可用性，这些数据通常是数百小时的语音录音，其中包括来自数千名演讲者的多会话录音。但是，为每个应用程序收集如此大的域内（InD）数据作为新的关注域，将是非常昂贵的。已经存在的大多数可用资源丰富的数据将不匹配新的关注域，即大多数将是域外（OOD）数据。当说话者识别系统用于与训练数据不同的领域（例如，具有不同的语言，人口统计等）时，出现域不匹配的挑战。性能可能会大大降低。

2. 使用少量InD数据及其说话者标签的有监督的适应[12、13、14、15]，要么是无监督的适应性[16、17、18、19]，而无监督的适应[16、17、18、19]扬声器标签。有监督的域适应比无监督的域更强大。
   监督域自适应方法可以进一步分为以下三种方法：1）数据池。例如，已经提出将InD数据添加到大量OOD数据中以训练PLDA [14]。 2）特征向量补偿。已经提出了使用两个域中有关数据的统计信息对OOD数据进行数据移位的方法[12]。 3）PLDA参数自适应。有人提出了一种线性插值方法，将单独训练的PLDA的参数与OOD