Meta-AF Echo Cancellation for Improved Keyword Spotting

自适应滤波器（AF）对于增强下游任务（例如语音识别、声音事件检测和关键词检测）的性能至关重要。然而，传统的AF设计优先考虑孤立的信号级目标，往往忽视下游任务的性能。这可能导致次优的性能。最近的研究利用元学习从数据中自动学习AF更新规则，减轻了使用简单信号级目标时手动调整的需求。本文通过将Meta-AF框架扩展到支持任意下游任务的端到端训练来改进该框架。我们专注于分类任务，引入了一种利用自监督和分类器反馈的新的训练方法。我们在声学回声消除和关键词检测的组合任务上评估了我们的方法。我们的研究结果表明，在合成和真实回放中，预训练和联合训练的关键词检测模型都表现出一致的性能改进。值得注意的是，这些改进不需要额外的调整、增加推断时间复杂度或依赖于信号级训练数据。

本论文旨在通过元学习的方式，自动学习适应滤波器的更新规则，以提高下游任务的性能，特别是分类任务。传统的适应滤波器设计通常优先考虑隔离的信号级目标，忽视下游任务的表现，可能导致性能不佳。

论文提出了一种基于元学习的框架，支持任意下游任务的端到端训练。特别地，针对分类任务，引入了自监督和分类器反馈的训练方法。通过实验证明了该方法在合成和真实数据集上都能够提高性能。

论文的亮点包括：1.引入了基于元学习的框架，支持任意下游任务的端到端训练；2.针对分类任务，提出了自监督和分类器反馈的训练方法；3.实验结果表明该方法能够提高性能，且无需额外的调整、增加推理时间复杂度或依赖于信号级训练数据。

最近的相关研究包括：1.《Meta-Learning for Low-Resource Neural Machine Translation》；2.《Learning to Learn without Forgetting by Maximizing Transfer and Minimizing Interference》；3.《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》。