1. 語音識別技術(shù)中的自適應技術(shù)簡介

　　語音識別中的自適應，即針對某一個說話人或者某一domain來優(yōu)化語音識別系統(tǒng)的識別性能，使得識別系統(tǒng)對他們的性能有一定的提升。語音識別的自適應技術(shù)的目的是為了減少訓練集和測試集說話人或者domain之間差異性造成的語音識別性能下降的影響。這種差異性主要包括語音學上的差異還有生理上發(fā)音習慣上不同導致的差異性等等。自適應技術(shù)主要被應用于語音識別技術(shù)相關(guān)的產(chǎn)品，還有針對VIP客戶的語音識別等。

　　上述的差異性問題，它容易造成說話人或者domain無關(guān)的識別系統(tǒng)性能上不好，但是如果針對該說話人或者domain訓練一個相關(guān)的識別系統(tǒng)，那么需要收集很多數(shù)據(jù)，這個成本是很高的。而語音識別中的自適應技術(shù)作為一種折中，它的數(shù)據(jù)量較少，并且性能上也能達到較好的效果。

　　語音識別中的自適應技術(shù)有很多，根據(jù)自適應的空間，可以分成兩類：特征空間自適應和模型空間自適應。對于特征空間自適應來說，它試圖將相關(guān)的特征通過特征轉(zhuǎn)換成無關(guān)的特征，從而能夠和無關(guān)的模型相匹配。而對于模型空間的自適應來說，它試圖將無關(guān)的模型轉(zhuǎn)換成相關(guān)的模型，從而能夠和相關(guān)的特征相匹配?？偠灾?，這兩類算法目的是為了讓相關(guān)的特征與無關(guān)的模型相匹配。

　　2. INTERPSEECH 2017 paper reading

　　2.1 Paper 1

　　第一篇文章的題目是Dynamic Layer Normalization for Adaptive Neural Acoustic Modeling in Speech Recognition，它來自蒙特利爾大學。這篇文章的主要思想是將layer normalization的scale和shift兩個參數(shù)由上下文無關(guān)的變成上下文相關(guān)的，從而根據(jù)上下文信息來獲得動態(tài)的scale和shift。這是一種模型空間的自適應。它的主要創(chuàng)新的地方主要是，它不需要自適應階段(自適應階段就是使用目標 domain的數(shù)據(jù)進行自適應，從而能夠?qū)W習到目標domain的知識)，另外，它同樣不需要提供包含說話人信息的相關(guān)特征，例如i-vector等等。

　　DLN對應的公式如上圖右邊所示，首先，取前一層的minibatch ( TT )大小的隱層矢量或者輸入矢量hl−1thtl−1進行summarization，從而獲得alal。然后，通過線性變換矩陣和偏置來動態(tài)地控制scale ( αlgαgl )和shift ( βlgβgl )。

　　同時，在原來的CE訓練的基礎(chǔ)上，在目標函數(shù)上增加一個懲罰項(上圖的右下角LvarLvar)，用于增加句子內(nèi)的variance，從而summarization出來的信息會更加具有區(qū)分性。

　　這篇paper主要是在81小時的WSJ以及212小時的TED數(shù)據(jù)集上進行實驗，WSJ的訓練集包含283個說話人，TED的訓練集包含5076個說話人。

　　首先，在WSJ數(shù)據(jù)集上對比LN和DLN之間的性能，性能主要包括開發(fā)集和測試集的FER和WER(FER表示幀錯誤率，WER表示詞錯誤率)?？梢钥闯?，除了測試集WER外，DLN均優(yōu)于LN。文章分析，這是由于WSJ的說話人數(shù)目較少，導致句子間的差異性不明顯，同時WSJ數(shù)據(jù)集是在安靜環(huán)境下錄制的，句子都比較平穩(wěn)，DLN不能夠起作用。

　　在TED數(shù)據(jù)集上的結(jié)果如第二個表格所示，發(fā)現(xiàn)在四個性能參數(shù)下，DLN均優(yōu)于LN。文章對比WSJ和TED數(shù)據(jù)，TED數(shù)據(jù)集能夠取得比較好的性能的原因是，TED數(shù)據(jù)集較WSJ speaker數(shù)目更多，句子數(shù)更多，variability更加明顯。通過這篇文章，我們可以發(fā)現(xiàn)這種動態(tài)的LN與句子的variability相關(guān)。并且總體上看來，DLN是要優(yōu)于LN。

　　2.2 Paper 2

　　第二篇文章的題目是Large-Scale Domain Adaptation via Teacher-Student Learning，它來自微軟。這篇文章的主要思想是通過teacher/student的結(jié)構(gòu)來進行domain adaptation。這種方法不需要目標 domain的帶標注的數(shù)據(jù)。但是，它需要和訓練集相同的并行數(shù)據(jù)。它的創(chuàng)新點和價值主要在于，這種方法可以使用非常多的無標注數(shù)據(jù)，同時借用teacher network的輸出來進一步提升student模型的性能。

　　將teacher/student 簡稱為T/S。T/S的訓練流圖如上圖右邊所示。Figure 1 中的左側(cè)為teacher network，右側(cè)為student network，它們的輸出后驗概率分別設(shè)為PTPT和PSPS。

　　student network的訓練過程：首先，將teacher network復制一份作為student network的初始化。然后，利用student domain data和teacher domain data通過對應的網(wǎng)絡獲得相應的后驗概率PTPT和PSPS。最后，利用這兩個后驗概率計算error signal，進行back梯度反傳更新student network。

　　本paper的實驗是在375小時的英文cortana數(shù)據(jù)上進行的。測試集根據(jù)不同的domain，有不同的測試集。

　　針對干凈/帶噪，在Cortana測試集上進行實驗。首先，使用teacher network進行測試，發(fā)現(xiàn)在帶噪語音上測試性能(18.8%)要遠差于noise-free的語音(15.62%)。如果通過仿真的方式來訓練teacher network，發(fā)現(xiàn)noisy的測試性能(17.34%)有一定的提升，這個等價于在student network上使用hard label來訓練。第四行和第五行使用T/S 算法，在同樣數(shù)據(jù)量上，soft label (16.66%)要優(yōu)于hard label (17.34%)。如果將訓練student network的數(shù)據(jù)增加到3400小時，性能會有進一步的提升(16.11%)。

　　對于成年人/小孩來說，實驗首先將375小時中的女性以及兒童數(shù)據(jù)去除，獲得adult male 模型。實驗發(fā)現(xiàn)，小孩的識別性能很差，分別是39.05和34.16。與干凈/帶噪相同，在使用T/S算法后，能夠在性能上獲得進一步的提升，并且數(shù)據(jù)擴大對于性能是有優(yōu)勢的。

　　2.3 Paper 3

　　第三篇文章是來自香港科技大學和谷歌的文章。這篇文章主要的想法和創(chuàng)新點是將Factorized Hidden Layer (FHL)的自適應方法 應用于LSTM-RNN。

　　對于FHL adaptation算法來說，它在說話人無關(guān)的網(wǎng)絡權(quán)重WW基礎(chǔ)上加上一個說話人相關(guān)的網(wǎng)絡權(quán)重，從而獲得說話人相關(guān)的網(wǎng)絡權(quán)重WsWs。根據(jù)公式(7)，我們可以看到，這個SD transformation是根據(jù)一組矩陣基(B(1),B(2),...,B(i))(B(1),B(2),...,B(i))通過線性插值得到。同樣，對神經(jīng)網(wǎng)絡的偏置bb也可以進行相應的說話人相關(guān)變換。

　　但是，在實際實驗中，由于矩陣基會帶來大量的參數(shù)引入，這些矩陣基都被限制為rank-1，因此公式(7)可以進行一些變換，如上圖右邊所示。由于矩陣基為rank-1，那它可以被表示成一個列向量γ(i)γ(i)和一個行向量ψ(i)Tψ(i)T相乘的形式。同時，插值矢量被表示成對角矩陣DsDs的形式。這樣便獲得三個矩陣ΓΓ、DsDs和ΨTΨT連乘的方式，方便模型訓練。

　　本文還介紹了speaker-dependent scaling。它將LSTM記憶單元中的激活值進行speaker-dependent scale。通過公式帶入，發(fā)現(xiàn)，只要對每一個說話人學習zszs即可以進行說話人相關(guān)的scaling。但是這種算法存在一個問題，zszs的維度與網(wǎng)絡的層寬相關(guān)，參數(shù)量大。因此，一種subspace scaling的方法被提出，它通過一個固定維度的low-dimensional vector vsvs來控制zszs，vsvs的維度遠小于zszs，從而大大地減少了說話人相關(guān)的參數(shù)量。