基於增強式深層類神經網路之語言辨認系統

Reinforcement Training for Deep Neural Networks-based Language Recognition

本論文之目標要建立一個基於增強式學習之語言辨認系統，並參與NIST LRE2015評比。語言辨認常受到其他相似的語系（out of set, OOS）使效能下降。為了能解決目標語言與OOS極為相似與常用的訓練準則與實際應用情境偏離的情況，因此本論文提出新的考慮OOS的DNN架構並使用reinforcement learning（RL）來做訓練，系統特色在於先把OOS做細分，包括建立一個可同時辨認目標語言與所有OOS的DNN架構；以及將整個任務分解成兩個輸出相乘的DNNs，一個負責語言分群，一個負責區分目標與非目標語言。所提出的系統皆以LRE2015規定的代價函數（越低越好）進行實驗比較，根據LRE2015評分結果，官方給定的LDA語言辨識系統，其分數為39.033，使用傳統DNN其分數為30.136，而使用本論文所提出兩種新DNN+reinforcement其分數分別為20.899分與19.384分，結果可以發現採用本論文所提出的DNN+reinforcement能有最佳的辨識表現。