2022 - 语音与影像上的神奇自督导式学习模型_哔哩哔哩_bilibili
self-supervised learning for speech and image
如果要训练一个好的语音辨识的模型,没用self supervised 技术,直接训练一个end-to-end的model,通常要上万个小时的声音讯号(labeled),
但是今天有了语音版的bert,很多人想挑战只用10min的资料训练语音辨识的模型,
微调语音版的bert往往不必要, 往往固定住语音版的bert,只微调downstream model就可以得到不错的结果了。
ASR语音辨识、 keyword spotting 唤醒词、
semantic语义理解、直接从声音的讯号的内容理解语义,e.g.语音翻译 听中文输出英文文字,
专门讲这些self supervised learning的model,在super这个benchmark上面有什么样的表现,那总之结果非常的惊人哦,语音的self supervised learning是一个很有潜力的研究方向,这些self supervised model几乎可以说是十项全能,
SUPERB benchmark https://youtu.be/MpsVE60iRLM
toolkit- S3PRL: https://github.com/s3prl/s3prl
self supervised的model用在各式各样不同的任务上,怎么用其实没有那么容易,toolkit可以帮助你
视觉导航(Visual Navigation)是机器人领域非常重要的一个研究方向,机器人需要有理解房间物件摆设的能力,
这两篇文章讲了self supervised learning在影像上有哪些应用
影像的community里有非常大量的有标注的资料库,比如image net,
怎么训练语音版的bert和影像版的bert,五大类方法
1. generative approaches
把文字上已经非常成功的bert系列和GPT系列,拿来语音和影像上用用看,
给一段声音讯号,把其中的某些部分盖起来,比如说值全部替换为0,
语音版bert里有个很具代表性的模型:Mockingjay(学舌鸟)
bert里面会盖住15%的词汇
针对语音的特性做一些设计:
- 声音讯号 相邻的向量 往往内容会非常接近
masking这个技术用在语音上,要一次mask一长串的feature,不要一次指mask一个feature,太容易被机器学到,那至于要多长牌,就是一个参数也是需要调一下的
那其实在文字上也有类似的概念、后来很多bert的变形、都是说你不要指mask一个token、因为这样 往往非常容易被bird的model猜到mask是什么、比如说一次mask一个片语、这样机器才能够学到比较多东西
- 在语音上 可以做一个不一样的尝试、可以不是在时间的方向上做mask、可以一次mask这些向量的某几个dimension,经验表明,这种mask的方式会让机器比较容易学到语者的资讯
如果你只叫机器给一段声音讯号,预测接下来会产生的讯号太~简单了,因为相邻的向量 往往内容会非常接近
所以 通常你不是叫他预测下一个向量、你会叫它预测 接下来某一段时间之后的向量,比如说叫它预测接下来的第三个向量,根据文献的结果,通常你这个n要设>=3才会有比较好的结果
语音版的GPT一个具代表性的模型:Auto regressive predictive coding(APC)
把这一套generative的方法用在语音跟影像上 ,相较于文字有一个比较大的问题是:语音和影像包含了非常多的细节,所以你要模型去把声音讯号、影像完整的还原出来、往往是非常困难的
有没有其他解法,比如,除了让机器还原影像跟声音讯号之外、能不能还原或预测一些别的东西,同样达到sal supervised learning的效果呢
2. predictive approach
在影像上一个比较早期的做法:
那其实在影像上、这种制造简单的任务、让机器去解、借此来学到一些东西的方法 有各式各样,论文数不胜数
contact prediction就是给一张比较大的图片、然后把比较大的图片里面的两个小块切出来、让你 去判断两块image相对的位置、通常有八种选择
其实在声音讯号上 也可以做类似的事,就是从同一句话里面切两段出来, 机器要学的事情就是判断这两段声音讯号,他们相距几秒,
所以呃除了让机器去还原声音讯号还原影像之外,你也可以设计一些小游戏让机器来玩,希望他透过学会这些简单的任务,之后叫它做复杂的任务就可以做的更好。
问题:什么样的小游戏可以激发机器的潜能
没有特别好的答案,需要对声音讯号和影像有一些domain knowledge、对他们的特性有更深入的理解
但是也有一些比较general的方法,让机器不做生成、也可以做self supervised learning,
你把原来要生成复杂的东西简化、把它改成生成比较简单的东西
我们把这些声音讯号做一下clustering,比如说你对这些向量呢跑一下K-means,把它们做离散化。所以他们从本来很复杂的向量,每个向量就变成一个token
HuBERT用的是K-means (+bootstrapping approaches ),BEST-RQ蛮神奇的 它这边是用一个random projection。那这样看起来这个clustering 的algorithm 呢,可能对performance没有特别重要,只要有clustering结构就好了。
有没有办法在不产生东西的情况下,就做self supervised learning呢
3.contrastive learning
怎么做data augmentation会变成是这整个方法能不能够成功的关键,就是你的augmentation既不能太难也不能太简单,那怎么控制augmentation的难度变成是一个问题
在原始SimCLR的paper里,他尝试了各式各样不同的augmentation的组合,告诉你说怎么做augmentation是最好的。random cropping看起来是最有效的、各种不同的augmentation组合,通常random cropping是不可或缺的一个方法,
先有MoCo,才有的SimCLR。MoCo多了一个memory bank,还多了一个momentum decoder
后来MoCo吸收了SimCLR的一些优点,有了MoCo v2