Meta Learning with Adaptive Loss Weight for Low-Resource Speech Recognition

计算机科学 初始化 元学习(计算机科学) 人工智能 理论(学习稳定性) 一般化 机器学习 卷积神经网络 梯度下降 人工神经网络 语音识别 数学 任务(项目管理) 数学分析 管理 经济 程序设计语言
作者
Qiulin Wang,Wenxuan Hu,Lin Li,Qingyang Hong
标识
DOI:10.1109/icassp49357.2023.10094936
摘要

Model Agnostic Meta-Learning (MAML) is an effective meta-learning algorithm for low-resource automatic speech recognition (ASR). It uses gradient descent to learn the initialization parameters of the model through various languages, making the model quickly adapt to unseen low-resource languages. But MAML is unstable due to its unique bilevel loss backward structure, which significantly affects the stability and generalization of the model. Since various languages have different contributions to the target language, the loss weights corresponding to the effects of diverse languages require costly manual adjustment in the training stage. Proper selection of these weights will influence the performance of the entire model. In this paper, we propose to apply a loss weight adaption method to MAML using Convolutional Neural Network (CNN) with Homoscedastic Uncertainty. The results of experiments showed that the proposed method outperformed previous gradient-based meta-learning methods and other loss weights adaption methods, and it further improved the stability and effectiveness of MAML.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
斯文面包完成签到,获得积分10
1秒前
是漏漏呀发布了新的文献求助10
3秒前
小付完成签到,获得积分10
4秒前
here完成签到 ,获得积分10
6秒前
7秒前
araul完成签到,获得积分10
8秒前
不配.应助疯狂的半山采纳,获得20
9秒前
10秒前
10秒前
db1完成签到,获得积分10
11秒前
11秒前
秋云发布了新的文献求助10
12秒前
喵喵84完成签到,获得积分10
13秒前
斯文败类应助李大姐采纳,获得10
13秒前
15秒前
眠茶醒药完成签到,获得积分10
15秒前
搞怪柔完成签到,获得积分10
15秒前
Du发布了新的文献求助30
15秒前
16秒前
大气寒凝完成签到,获得积分20
16秒前
Yacon发布了新的文献求助10
17秒前
20秒前
21秒前
汤圆完成签到,获得积分10
21秒前
脑洞疼应助Yacon采纳,获得10
23秒前
25秒前
余悸发布了新的文献求助10
26秒前
大个应助11采纳,获得10
28秒前
小二郎应助baby的跑男采纳,获得10
28秒前
领导范儿应助小付采纳,获得10
28秒前
科研通AI2S应助zhu ning采纳,获得10
28秒前
32秒前
汉堡包应助科研靓仔采纳,获得10
33秒前
斯文败类应助假期采纳,获得10
33秒前
小马完成签到 ,获得积分10
33秒前
34秒前
小蘑菇应助Chenqzl采纳,获得10
35秒前
金有财发布了新的文献求助10
37秒前
37秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3136281
求助须知:如何正确求助?哪些是违规求助? 2787312
关于积分的说明 7780922
捐赠科研通 2443313
什么是DOI,文献DOI怎么找? 1299106
科研通“疑难数据库(出版商)”最低求助积分说明 625325
版权声明 600905