声学模型学习笔记（六） representation learning

feature representation

特征抽象

DNN的前L-1层可以认为是特征提取部分，最后一层认为是简单的分类层。
相比于人工设计的特征（比如MFCC），多层（每一层sigmoid都是一种非线性变换）连接起来具有很强的特征抽象能力。
靠近输入层的表示low-level特征；靠近输出层的表示high-level的特征，high-level的特征更为抽象。

如上图，一个特点是high-level的层包含有更多的饱和神经元（activation value>0.99或者<0.01），意味着越靠近输出层，对应的特征输出更为稀疏（因为最后的输出层是0和1的分类，本身就是稀疏的）。
另外一个特点是high-level的层产生的特征具有更好的鲁棒性和区分度。
GMM为了简化计算，方差使用的是对角矩阵，即假设输入的特征的各个维度之间是相互独立的，所以使用的是MFCC特征，利用DCT运算去相关；相比之下，DNN没有这方面的限制，可以直接使用高维度的fbank特征直接计算。

特征鲁棒性

体现在两方面：说话人和环境。

speaker variations

为了解决说话人不同的问题，GMM-HMM引入了VTLN和fMLLR。当这种技术用在DNN-HMM模型上面的时候，收益相对小，说明了DNN-HMM对说话人信息具有更强的鲁棒性。

environment variations

GMM使用VTS和MLLR技术来归一化输入特征，减弱环境噪声的影响。DNN具有更好的健壮性。
在不同的信噪比和语速下，DNN都会优于GMM。但是在畸变比较大的情况下（比如强噪声），DNN的性能也会很差。

fuse DNN and GMM

DNN提取特征训练GMM-HMM

fuse recognition result

GMM-HMM和DNN-HMM的识别结果进行融合提升识别效果，包括：

• ROVER(recognizer output voting error reduction)
• SCARF(segmental conditional random field)
• MBR(minimum bayesian risk)

fuse frame-level acoustic scores

多个系统的声学得分线性插值作为最后的得分。

multistream speech recognition

有三种架构：

• early integration: 特征结合（比如拼接）
• intermediate integration: 每个stream的特征单独处理（不同的DNN模型），然后进行结合
• late integration: 每个stream使用不同的DNN-HMM，在最后的识别结果进行结合

stream的划分可以有多种形式，比如不同的频带，不同的特征PLP/MFCC等。

adaptation of DNN

三种adaption方式

linear transformation

可以针对不同层增加线性转化层

• input feature
• softmax layer
• hidden layer

conservative training

linear transformation是针对一层做的adaption，如果对所有层做adaption可以达到更好的效果，但是这样会引入一个问题：因为adaption的数据量相比比较小，如果对整个模型进行调整的话，可能会破坏模型的信息。
为了避免上面问题的发生，引入了conservative training。通过增加regularization来避免模型被adaption数据训练跑偏了。
典型的两种正则方法：

• l2 正则，通过限制模型参数不要偏离原始模型太多来实现
• KLD(Kullback-Leibler divergence)正则，通过限制输出概率不要偏离原来模型的输出概率太多来实现

如果每个人的模型都要单独保存的话，存储空间将会是个问题。有两种方法解决这个问题：

• 保留si-model和sa-model转化的delta矩阵，并对delta矩阵进行svd简化
• 通过将矩阵$W_{m\ast n}$分解为$W_{m\ast r}$和$W_{r\ast n}$，并在中间增加矩阵$W_{r\ast r}$，每个speaker只需要单独存放$W_{r\ast r}$即可

subspace methods

1.PCA
线性变换矩阵可以转化为向量$a=vec(W^{A}ADP)$，向量构成说话人的空间，然后经过PCA可以获得eigenvectors。
$$a\approx \overline{a}+\tilde{U}\widetilde{g_a}$$
其中$\overline{a}$是自适应参数的均值，$\tilde{U}$是简化的eigenvector矩阵，$\widetilde{g_a}$是需要估计的从自适应参数向量到主成方向的映射。
2.Speaker-Aware

如上图，通过扩展特征输入，让模型拥有根据speaker信息自动调整的能力。
可以使用i-vector特征作为增加的speaker info。

参考

《automatic speech recognition a deep learning approach》 chapter 9-11

后面的技术分享转移到微信公众号上面更新了，【欢迎扫码关注交流】