Data Augmenting Contrastive Learning of Speech Representations in the Time Domain

Data Augmenting Contrastive Learning of Speech Representations in the Time Domain

1. 论文摘要

依据过去语音片段预测未来片段的CPC方法被证明是一种有效的表征学习方法，本文作者在CPC算法模型的基础上， 通过对过去语音片段在时间域上的数据增强（WavAugment) 取得了比其他方法更高效、更好的表征效果。通过patch modification, additive noise, reverberation 三种增强方法可以将CPC的表现提升18-22%， 并且对于有监督数据有限的phoneme 分类任务也能提升12-15%。

2. 模型介绍

*数据增强背景：
基本的时域增强将输入的采样率修改很小（±10％），这会改变持续时间和音高。另一种方法是添加噪声，再加上房间脉冲响应函数来模拟在空间中扩散的点源。 SpecAugment [17]是一种谱域增强，其作用是mask频率和/或时间带。我们介绍了WavAugment，它在时域中实现了这些扩充，并为数据加载的实时应用进行了优化。
*CPC2
提出了新的CPC的模型结构，首先输入Raw wave 过encoder( kernel size [10,8,4,4,4], strides [5,4,2,2,2]）生成$z_t$, 再经过一个context network（ 两层 lstm layer)生成$c_t$， 在做contrast 预测时，$c_t$还要过一个predictor layer 生成 $Pre{d}^k$, 这里predictor layer 做了几组对比实验：

发现采用一层多头注意力（K个， 相当于K个分类器）的Transfomer 的效果较好, 并且相比其他论文的做法：采用K个独立的Transformer， 然后每个只用单头来做不同正例时间步的预测，极大的减少了训练时间。然后再将$Pre{d}^k$与包含正负例的多个未来表征做内积计算contrast loss。

文章中的未来时间步K的正例范围为1-12， 负例个数为从batch中随机取得128个。

• 数据增强的方案
  （1）对batch内所有的sequcene 采用相同的增强方法。
  （2）past 和future 的sequence 采用相同的， negatives 采用不同的方法。
  （3）只对past 的sequnce采用数据增强。
  （4）对past 和 future sequcen 采用不同的增强方法。
  实验证明，（3）(4)的效果较好。

3.实验结果

*实验1 增强方法的组合

对于单一增强方法，pitch、reverb、bnandrej 对past 做增强要比对past+future都做要好，唯一例外的是add noise; 对于多种增强方法的组合，pitch + add+reverb的方法效果最好。

• 实验2 扩展到其他语言

只采用有限的 in-domain训练结果的表现并不能达到SOTA, 但是采用一些out-domain 的语料以及增加context 网络中lstm layer数为3可以达到更优的效果。

• 实验3 预训练和有限监督数据的下游任务结果
  
  无一例外，采用CPC2+wavaug的表现最好，同时在做音素预测的任务，数据增强只采用pitch augmentation的效果最好。