CAMSAT: кластеризация с объединением аугментаций и самоаугментированным обучением для самообучаемого распознавания говорящих

Псевдометки (PL), полученные на основе кластеризации (CL), широко используются для оптимизации сетей вложений говорящих (SE) и обучения самообучаемых (SS) систем верификации говорящих (SV). Однако самообучаемое обучение на основе псевдометок зависит от их высокого качества. В данной работе мы предлагаем универсальный алгоритм кластеризации CAMSAT, превосходящий все другие базовые методы, применяемые для кластеризации вложений говорящих. Кроме того, использование сгенерированных псевдометок для обучения нашей системы вложений говорящих позволяет дополнительно повысить эффективность верификации говорящих. CAMSAT основан на двух принципах: (1) объединении предсказаний аугментированных образцов для формирования дополнительного сигнала обучения при кластеризации и обеспечения симметрии между аугментациями; и (2) самоаугментированном обучении, обеспечивающем инвариантность представлений и максимизирующем теоретико-информационную зависимость между образцами и предсказанными для них псевдометками. Мы проводим подробный сравнительный анализ эффективности предложенного метода кластеризации и всех базовых методов с использованием различных метрик кластеризации, а также выполняем абляционное исследование для анализа вклада каждого компонента.