域对抗神经网络自适应的跨域说话人日志方法

摘要

针对端到端说话人日志系统因真实标注数据不足导致泛化性能差的问题，提出一种基于域对抗神经网络自适应的跨域说话人日志方法。首先，通过在说话人日志中增加包含时间池化层的数据域判别模型；其次，利用梯度反转层实现说话人日志分类任务与数据域判别任务的对抗训练；最后，完成在数据域上的自适应。实验对比不同模型在真实场景下的性能，所提模型整体性能优于其他模型。相较于基线模型，数据域不匹配时，两个说话人场景相对提升4.91%,3个说话人场景相对提升5.41%；数据域匹配时，分别相对提升3.81%和5.14%。实验结果表明，所提方法通过降低特征对域信息的敏感性有效提升系统跨域泛化能力。

关键词

说话人日志 / 域对抗神经网络 / 梯度翻转层 / 对抗训练 / 注意力统计池化