Fugu-MT 論文翻訳(概要): Adaptive Margin Circle Loss for Speaker Verification

論文の概要: Adaptive Margin Circle Loss for Speaker Verification

arxiv url: http://arxiv.org/abs/2106.08004v1
Date: Tue, 15 Jun 2021 09:35:59 GMT
ステータス: 処理完了
システム内更新日: 2021-06-16 15:05:14.898514
Title: Adaptive Margin Circle Loss for Speaker Verification
Title（参考訳）: 話者検証のための適応マージン円損失
Authors: Runqiu Xiao
Abstract要約: 本稿では,話者検証のための適応的辺縁サークル損失という新しい角損失関数を提案する。ステージベースマージンとチャンクベースマージンを適用して、トレーニングセット上での円損失の角偏差を改善させる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep-Neural-Network (DNN) based speaker verification sys-tems use the angular softmax loss with margin penalties toenhance the intra-class compactness of speaker embeddings,which achieved remarkable performance. In this paper, we pro-pose a novel angular loss function called adaptive margin cir-cle loss for speaker verification. The stage-based margin andchunk-based margin are applied to improve the angular discrim-ination of circle loss on the training set. The analysis on gradi-ents shows that, compared with the previous angular loss likeAdditive Margin Softmax(Am-Softmax), circle loss has flexi-ble optimization and definite convergence status. Experimentsare carried out on the Voxceleb and SITW. By applying adap-tive margin circle loss, our best system achieves 1.31%EER onVoxceleb1 and 2.13% on SITW core-core.
Abstract（参考訳）: deep-neural-network (dnn) ベースの話者検証システムsys-temは、スピーカー埋め込みのクラス内コンパクト性を高めるマージンペナルティを持つ角ソフトマックス損失を使用する。本稿では,話者検証のための適応余剰サークル損失という新しい角損失関数を提案する。ステージベースマージンとチャンクベースマージンを用いて、トレーニングセットにおける円損失の角偏差を改善する。グラディエントの解析は、アダディティブ・マージン・ソフトマックス(Am-Softmax)のような以前の角損失と比較して、円損失はフレキシブル最適化と定収束状態を持つことを示した。 voxceleb と sitw で実験が行われている。 SITWコアコアでは1.31%EERをVoxceleb1で、2.13%を達成している。

関連論文リスト

LEARN: An Invex Loss for Outlier Oblivious Robust Online Optimization [56.67706781191521]
敵は、学習者に未知の任意の数kの損失関数を破損させることで、外れ値を導入することができる。我々は,任意の数kで損失関数を破損させることで,敵が外乱を発生させることができる,頑健なオンラインラウンド最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-12T17:08:31Z)
Graph Anomaly Detection with Noisy Labels by Reinforcement Learning [13.135788402192215]
本稿では,新しいフレームワークREGAD,すなわちReinforced Graph Anomaly Detectorを提案する。具体的には,高信頼ラベルを用いたノード間を近似したノイズエッジを切断することにより,ベース検出器の性能向上(AUC)を最大化することを目的とする。
論文参考訳（メタデータ） (2024-07-08T13:41:21Z)
Weak Alignment Supervision from Hybrid Model Improves End-to-end ASR [5.2823268671093775]
我々は、音声認識のエンドツーエンドモデリングを支援するために、既存のハイブリッドシステムから弱いアライメントの監督を作成する。次に、導出したアライメントを用いてエンコーダの特定の層にクロスエントロピー損失を生成する。一般的な1ホットクロスエントロピー損失とは対照的に,ラベル平滑化パラメータを持つクロスエントロピー損失を用いて監督を規則化する。
論文参考訳（メタデータ） (2023-11-24T20:14:28Z)
Adaptive, Doubly Optimal No-Regret Learning in Strongly Monotone and Exp-Concave Games with Gradient Feedback [75.29048190099523]
オンライン勾配降下(OGD)は、強い凸性や単調性仮定の下では二重最適であることが知られている。本稿では,これらのパラメータの事前知識を必要としない完全適応型OGDアルゴリズム,textsfAdaOGDを設計する。
論文参考訳（メタデータ） (2023-10-21T18:38:13Z)
Benign Overfitting in Linear Classifiers and Leaky ReLU Networks from KKT Conditions for Margin Maximization [59.038366742773164]
ロジスティック損失の勾配流によって訓練された線形および漏洩ReLUは、KKT条件を満たすための暗黙の偏りを持つ。本研究では、線形分類器や2層リークReLUネットワークにおいて、これらの条件の満足度が良性オーバーフィットを意味するような設定を多数確立する。
論文参考訳（メタデータ） (2023-03-02T18:24:26Z)
Optimized Hybrid Focal Margin Loss for Crack Segmentation [1.8492669447784602]
過度なクラス不均衡に対処し, ひび割れ分断に対する過度な適合を防止するために, 新たなハイブリッド焦点損失を提案する。実験の結果,DeepCrack-DBでは0.43,PanelCrackデータセットでは0.44,ひび割れのIoUが有意に増加することがわかった。
論文参考訳（メタデータ） (2023-02-09T01:26:38Z)
Optimizing Partial Area Under the Top-k Curve: Theory and Practice [151.5072746015253]
トップk曲線下部分領域(AUTKC)と呼ばれる新しい計量法を開発した。 AUTKCはより優れた識別能力を持ち、ベイズ最適スコア関数は条件付き確率に対して正しいトップKランクを与えることができる。提案手法を最適化するために,実証的なサロゲートリスク最小化フレームワークを提案する。
論文参考訳（メタデータ） (2022-09-03T11:09:13Z)
Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文参考訳（メタデータ） (2021-12-30T00:27:30Z)
The Devil is in the Margin: Margin-based Label Smoothing for Network Calibration [21.63888208442176]
ディープニューラルネットワークの優位な性能にもかかわらず、最近の研究では、それらが十分に校正されていないことが示されている。現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
論文参考訳（メタデータ） (2021-11-30T14:21:47Z)
Deep Ranking with Adaptive Margin Triplet Loss [5.220120772989114]
本稿では,固定利得三重項損失から適応利得三重項損失への簡単な修正を提案する。提案した損失は,評価値が連続値である評価データセットに適している。
論文参考訳（メタデータ） (2021-07-13T15:37:20Z)
Orthogonal Projection Loss [59.61277381836491]
直交射影損失(OPL)と呼ばれる新しい損失関数を開発する。 OPLは、機能空間におけるクラス内クラスタリングとクラス間分離を直接実施する。 OPLは、慎重な負のマイニングを必要とせず、バッチサイズに敏感であるため、ユニークな利点がある。
論文参考訳（メタデータ） (2021-03-25T17:58:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。