Jan, 2024

利用动态联合分布适应改进的说话人无关语音情感识别

PDF
TL;DR多说话人情感识别中，使用 Dynamic Joint Distribution Adaptation 方法解决来自不同说话人的多领域数据中的分布偏移问题，并在面对新说话人数据时获得更好的性能。
speaker-independent speech emotion recognitionmulti-domain shift challengedynamic joint distribution adaptationjoint distribution adaptationunknown distributions
发现论文，激发创造
  • 动态分布自适应的迁移学习

    本文提出了一种名为 DDA（动态分布适应）的新概念，可以对每个分布的相对重要性进行定量评估并解决传输学习问题，进而提出两种新的学习算法 MDDA 和 DDAN，得到了显著改善传输学习性能的结果。

    Sep, 2019

  • 多源领域自适应表示学习的算法相关性界限

    使用信息论工具从表示学习的角度推导了多源域自适应（MDA）的新型分析。具体而言，研究了具有少量目标标签的监督 MDA 和具有伪标签的无监督 MDA 的联合分布对齐，提出了一种隐式处理目标偏移的新型深度 MDA 算法，最后扩展了相互信息边界以提供一种非平凡的梯度范数估计。所提出的算法在目标偏移 MDA 基准测试中具有与最先进技术相当的性能，并具有改进的内存效率。

    Apr, 2023

  • 高效推断的动态领域自适应

    本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

    Mar, 2021

  • 主动多域适应的动态域间差异调整

    多源无监督领域适应（MUDA）旨在将相关源领域的知识转移至无标签的目标领域。本文提出了一种名为动态领域差异调整的主动多领域适应方法（D3AAMDA），通过建立多源动态调制机制和多源主动边界样本选择策略（MABS）来解决 MUDA 方法的问题，并在常用领域适应数据集上对提出的方法进行了广泛评估，实验结果明确证明了该方法的优越性。

    Jul, 2023

  • 基于最优输运的可解释性发音障碍者语音适应

    本文提出一种基于最优传输的无监督多源域自适应算法 ——MSDA-WJDOT，用于解决难以识别的发音障碍语音命令识别中通过对多个说话人的数据进行训练以进行说话人自适应的特定问题。该方法相对于其他现有的 SA 方法具有可解释性模型，可用于诊断发音障碍，不需要任何专门的培训，并在发音障碍的诊断中取得 95% 的准确率。

    Mar, 2022

  • 通过对抗性鉴别域泛化（ADDoG）改善跨语料库语音情感识别

    本文提出了基于 ADDoG 和 MADDoG 的自动演讲情感识别方法，采用迭代移动学习到的情感数据表示，提高跨数据集通用性，并在实验中取得了显著的成果。

    Mar, 2019

  • 语音情感识别的可迁移特征学习

    本文提出了一种基于卷积神经网络和长短记忆网络的深度学习架构，通过使用可转移的特征从多个源域自适应模型并识别不同情感领域的语音情感，实验结果表明，该方法提供了 4.3％至 18.4％的效果增益。

    Dec, 2019

  • 判别式标签一致性域自适应

    本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

    Feb, 2018

  • 更多就是更好：多源深度域适应

    在深度学习时代，由于很难获得大规模标记数据来训练先进的深度神经网络，因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法，而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中，我们首先定义了各种多源领域适应策略。接着，我们从不同的角度系统地总结和比较了现代多源领域适应方法，以及常用的数据集和一个简单的基准测试结果。最后，我们讨论了值得探索的多源领域适应的未来研究方向。

    May, 2024

  • 深度学习时代的多源域适应：系统综述

    本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

    Feb, 2020