.png){kind=icon}
返回
Quantifying prediction uncertainties in automatic speaker verification systems
.png){kind=icon}
OA
AI
DOI：10.1016/j.csl.2025.101806.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对于现代自动说话人验证（ASV）系统，明确量化每个预测的置信度可以通过指示系统在何种情况下是可信的来增强系统的可靠性。然而，当前的范式并未考虑这一点。因此，我们提出通过量化ASV预测中的不确定性来表达预测的置信度。这是通过开发一种新颖的贝叶斯框架来实现的，以获得每个输入的分数分布。该分布的均值用于推导决策，而分布的扩散程度代表了由模型参数的合理选择所引起的不确定性。为了捕捉这些合理选择，我们通过哈密顿蒙特卡罗（HMC）对概率线性判别分析（PLDA）后端模型的后验进行采样，并通过随机兰格文动力学（SGLD）和Bayes-by-backprop近似嵌入模型的后验。给定由此产生的分数分布，通过计算分数方差、熵和互信息，进一步实现了预测不确定性的量化与分解。量化后的不确定性包括偶然不确定性（aleatoric uncertainty）和先验不确定性（epistemic uncertainty，即模型不确定性）。我们通过观察训练语音量、测试语音时长和噪声水平变化时这些不确定性的变化来进行评估。实验表明，这些量化不确定性的行为反映了我们对训练和测试数据所做的变化，证明了所提方法作为不确定性度量手段的有效性。
Keyword:
Speaker verification
PLDA
Uncertainty
Hamiltonian Monte-Carlo
Stochastic gradient Langevin dynamics
Bayes-by-backprop
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
3.4
论文数:
1.5K
被引数:
2.6K
机构
引用论文
.png){kind=icon}
Uncertainty assessment for detection of spoofing attacks to speaker verification systems using a Bayesian approach基于贝叶斯方法对语音验证系统中对抗欺骗攻击的检测进行不确定性评估
PREAI
分享收藏On the Distribution of Speaker Verification Scores: Generative Models for Unsupervised Calibration
PREAI
分享收藏
查看更多内容