用于改进说话人验证的对比混合学习

CONTRASTIVE-MIXUP LEARNING FOR IMPROVED SPEAKER VERIFICATION

摘要

1. 本文提出了一种全新的mixup原型损失；

2. mixup是一种简单高效的数据增强方法--可以制造随机数据点和标签对的加权组合；

3. mixup在深度学习中可以提升模型的鲁棒性和泛化能力；

4. 尽管mixup已经在很多领域成功应用，但绝大多数都是闭集的分类任务；

5. 本文提出contrastive-mixup,这是一种新奇的数据增强策略--可以学到基于distance metric的具有区分性的representation；

6. 在训练中，mixup可以对输入和虚拟标签生成convex interpolations（凸插值），另外，本文重新阐述了prototypical loss，证明mixup适用于度量学习目标；

7. 本文在少量数据上验证了其泛化能力，相较于baseline有16%的提升；

Index Terms：mixup、度量学习、prototypical loss