Fast variational Bayes for heavy-tailed PLDA applied to i-vectors and x-vectors

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F18%3APU130790" target="_blank" >RIV/00216305:26230/18:PU130790 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.isca-speech.org/archive/Interspeech_2018/abstracts/2128.html" target="_blank" >https://www.isca-speech.org/archive/Interspeech_2018/abstracts/2128.html</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.21437/Interspeech.2018-2128" target="_blank" >10.21437/Interspeech.2018-2128</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Fast variational Bayes for heavy-tailed PLDA applied to i-vectors and x-vectors

Popis výsledku v původním jazyce

The standard state-of-the-art backend for text-independent speaker recognizers that use i-vectors or x-vectors, is Gaussian PLDA (G-PLDA), assisted by a Gaussianization step involving length normalization. G-PLDA can be trained with both generative or discriminative methods. It has long been known that heavy-tailed PLDA (HT-PLDA), applied without length normalization, gives similar accuracy, but at considerable extra computational cost. We have recently introduced a fast scoring algorithm for a discriminatively trained HT-PLDA backend. This paper extends that work by introducing a fast, variational Bayes, generative training algorithm. We compare old and new backends, with and without length-normalization, with i-vectors and x-vectors, on SRE10, SRE16 and SITW.

Název v anglickém jazyce

Fast variational Bayes for heavy-tailed PLDA applied to i-vectors and x-vectors

Popis výsledku anglicky

The standard state-of-the-art backend for text-independent speaker recognizers that use i-vectors or x-vectors, is Gaussian PLDA (G-PLDA), assisted by a Gaussianization step involving length normalization. G-PLDA can be trained with both generative or discriminative methods. It has long been known that heavy-tailed PLDA (HT-PLDA), applied without length normalization, gives similar accuracy, but at considerable extra computational cost. We have recently introduced a fast scoring algorithm for a discriminatively trained HT-PLDA backend. This paper extends that work by introducing a fast, variational Bayes, generative training algorithm. We compare old and new backends, with and without length-normalization, with i-vectors and x-vectors, on SRE10, SRE16 and SITW.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of Interspeech 2018

ISBN

—

ISSN

1990-9772

e-ISSN

—

Počet stran výsledku

5

Strana od-do

72-76

Název nakladatele

International Speech Communication Association

Místo vydání

Hyderabad

Místo konání akce

Hyderabad, India

Datum konání akce

2. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—