Kaldi说话人识别：基于x-vector 的plda自适应

1. 自适应

做了说话人识别，就一直就一些疑问：

什么是 （领域）自适应（domain adaption）？它跟 迁移学习（Transfer Learning） 有什么区别?

做自适应最终的效果能到什么程度？

PLDA是什么？跟自适应的关系是什么？

作用

自适应的作用是，补偿实际数据与已经训练的三音素模型中声学条件不匹配的问题，包括说话人特性（说话方式、口音等）及环境特性（如录音设备、房间混响等）。

方法

（1）传统模型的自适应方法
在GMM-HMM模型中，自适应方法有特征空间变换和模型空间变换。Kaldi中主要采用的是特征空间变换方法（记住这个名称，后面会有解释）： LDA、MLLT和fMLLR，其本质都是在训练过程中估计变换矩阵，然后构造变换后的特征，再迭代训练新的声学模型参数。

LDA+MLLT针对环境特性，拼接上下文多帧数据，再通过特征变换进行降维处理，因为与说话人无关，所以估计的是全局矩阵。
fMLLR针对说话人特性，基于每个说话人或每个utterance进行变换矩阵估计。

（2）深度神经网络的自适应方法
在DNN-HMM模型中，由于DNN的鉴别特性，GMM下的自适应方法不能直接拿来用，DNN下的自适应方法主要有线性变换、正则项法、子空间法（i-vector）。

迁移学习和自适应

简单粗暴的来说，自适应就是一种迁移学习的方法。
那如何理解自适应的本质？之前提到的”特征空间变换“又是什么意思？

领域自适应是迁移学习原先就有的概念，在研究源域和目标域时，基于某一特征，会发现两个域的数据分布差别很大。

假设要选择某一区域的颜色信息作为图像特征，上图红线表示source dataset的颜色信息值分布，蓝线表示target dataset的颜色信息值分布，很明显对于这一特征来讲，两个域的数据本来就是有shift的。而这个shift导致我们evaluate这个模型的时候准确率会大大降低，那么这个区域的颜色信息就不适合选择特征。

既然这个特征不合适，那我们就换特征。领域自适应旨在利用各种的feature transformation手段，学习一个域间不变的特征表达，基于这一特征，我们就可以更好的同时对两个域的数据进行分类了。

2. PLDA 自适应

PLDA

PLDA(Probabilistic Linear Discriminant Analysis)是一种信道补偿算法，号称概率形式的LDA算法，PLDA算法的信道补偿能力比LDA更好，已经成为目前最好的信道补偿算法。

建模

定义第i个说话人的第$j$条语音为$x$_ij，然后定义$x$_ij的生成模型为：

$$x_{ij}=\mu +F{h}_i+G{w}_{}$$