Угловая функция потерь Softmax для сквозной верификации говорящего

Системы сквозной верификации говорящего приобретают всё больший интерес. Традиционный подход на основе i-векторов обучает генеративную модель (по существу, факторизационную модель) для извлечения i-векторов в качестве векторных представлений говорящих. В отличие от него, сквозной подход непосредственно обучает дискриминативную модель (часто нейронную сеть) для получения дискриминативных векторных представлений говорящих; при этом критически важным компонентом является критерий обучения. В данной работе в качестве функции потерь для обучения признаков в сквозной верификации говорящего используется угловой Softmax (A-softmax), первоначально предложенный для верификации лиц. За счёт введения межклассовых отступов в функцию потерь Softmax A-softmax позволяет получать более дискриминативные признаки, чем функции потерь Softmax и triplet, одновременно оставаясь простым и стабильным в использовании. В работе сделаны два вклада: 1) функция потерь A-softmax введена в сквозную верификацию говорящего, что позволило существенно снизить равную ошибку (EER); 2) показано, что сочетание использования A-softmax при обучении фронтенда и вероятностного линейного дискриминантного анализа (PLDA) при оценивании на бэкенде дополнительно повышает эффективность сквозных систем в условиях коротких высказываний, когда короткими являются как высказывания для регистрации, так и тестовые высказывания. Эксперименты, проведённые на части набора данных Fisher, демонстрируют преимущества использования A-softmax.