基于群适应融合网络提高说话人验证的公平性

IMPROVING FAIRNESS IN SPEAKER VERIFICATION VIA GROUP-ADAPTED FUSION NETWORK

摘要

1. 现在的说话人验证系统，在训练中，SV网络通常将区分任意说话人当作优化目标。这种学习过程会使得学习优良的声音特征向主要speaker群体发生偏差，这会导致不同群体之间不公平的性能差异；

2. 这种情况在具有相似声音特征的代表性不足的人口群体中尤其明显；

3. 本文通过在特制数据集（不平衡的性别分布）中得到直接的证据：模型表现受到代表性不足群体的影响；

4. 为了减少这种差异，本文提出了group-adapted fusion network--一个基于group ebmedding适应和分数融合的组合结构；

5. 本模型减轻了模型的不公平通过在全体/单独群都提高了SV表现

Index Terms：群speaker分布不均、embedding adaptation、score fusion