発話者認識におけるメトリック学習の防衛

本稿の目的は、未見の話者に対する「オープンセット」話者認識を実現することである。理想的な埋め込み表現は、話者内距離を小さく、話者間距離を大きくする、情報が凝縮されたコンパクトな発話単位表現を生成できなければならない。話者認識分野では、分類目的で学習されたネットワークがメトリック学習手法を上回るという一般的な見解がある。本稿では、VoxCelebデータセット上で最も一般的な損失関数について、包括的な評価を行う。その結果、単純なトリプレット損失（vanilla triplet loss）が分類ベースの損失関数と比較して競争力のある性能を示すことを示し、本稿で提案する新たなメトリック学習目的で学習されたモデルが、最先端の手法を上回ることを実証した。