[Paper 리뷰] Wav2Vec: Unsupervised Pre-Training for Speech Recognition

Wav2Vec: Unsupervised Pre-Training for Speech Recognition

---

• Raw audio representation을 학습하여 speech recognition에 unsupervised pre-training을 도입할 수 있음
• Wav2Vec
  • Unlabled audio data를 기반으로 training 하고, resulting representation을 acoustic model training을 개선하는 데 사용
  • Noise contrastive binary classification을 통해 simple multi-layer convolutional neural network를 optimize
• 논문 (INTERSPEECH 2019) : Paper Link

---

1. Introduction

• Speech recognition model은 large transcribed audio data를 요구함
  • 한편으로 pre-training을 활용하면 labled data가 scarce 한 경우 general representation을 학습해 downstream task의 성능을 개선할 수 있음
    
  • 특히 speech processing에서 pre-training은 emotion recognition, speaker identification, phoneme discrimination 등에 사용됨
    - BUT, supervised speech recognition task에 대해서는 unsupervised representation이 사용되지 않음

-> 그래서 unsupervised pre-training을 활용해 speech recognition task를 개선한 Wav2Vec을 제안

 

• Wav2Vec
  • Raw audio를 input으로 하여 speech recognition system에 input 되는 general representation을 compute 하는 convolutional neural network
    
  • True future audio sample과 negatives를 distinguish 하는 contrastive loss를 활용
  • Frame-wise phoneme classification을 뛰어넘는 learned representation을 적용하여 speech recognition system을 개선

< Overall of Wav2Vec >

• Fully convolutional architecture와 unsupervised pre-training method에 기반하여 speech recognition을 개선
• 결과적으로 기존보다 뛰어난 recognition 성능을 달성

2. Method

• Input으로 audio signal이 주어지면 Wav2Vec은 주어진 signal context로부터 future sample을 predict 함
  • 이를 위해서는 data distribution $p(\mathbf{x})$를 accurately modeling 해야 함
  • 따라서 논문은 raw speech sample $\mathbf{x}$를 lower temporal frequency에서 feature representation $\mathbf{z}$로 encoding 한 다음, density ratio $p({\mathbf{z}}_{i+k}|{\mathbf{z}}_i...{\mathbf{z}}_{i-r})/p({\mathbf{z}}_{i+k})$를 implicitly modeling 함

- Model

• Wav2Vec은 raw audio signal을 input으로 사용하는 2개의 network를 활용함
  • Encoder network는 audio signal을 latent space에 embed 하고 context network는 encoder의 multiple time step을 combine 하여 contextualized representation을 얻음
  • 먼저 raw audio sample ${\mathbf{x}}_i\in \mathcal{X}$가 주어지면, 5-layer convolutional network로 parameterize 된 encoder network $f:\mathcal{X}\mapsto \mathcal{Z}$를 적용함
    1. 여기서 encoder layer는 $(10,8,4,4,4)$의 kernel size와 $(5,4,2,2,2)$의 stride를 가짐
    2. Encoder output은 low frequency feature representation ${\mathbf{z}}_i\in \mathcal{Z}$로써, 16kHz audio의 30ms를 encode 하고 striding result는 10ms마다 representation ${\mathbf{z}}_i$를 생성함
  • 다음으로 context network $g:\mathcal{Z}\mapsto \mathcal{C}$를 encoder network output에 적용하여 multiple latent representation ${\mathbf{z}}_i...{\mathbf{z}}_{i-v}$를 receptive field size $v$에 대한 single contextualized tensor ${\mathbf{c}}_i=g({\mathbf{z}}_i...{\mathbf{z}}_{i-v})$로 mix 함
    - Context network는 kernel size 3, stride 1의 9-layer로 구성되고, total receptive field는 210ms
  • Encoder/Context network layer는 512 channel의 causal convolution, group normalization layer, ReLU nonlinearity로 구성됨
    - 이때 각 sample에 대해 feature/temporal dimension을 모두 normalize 하고, input scaling과 offset에 invariant 한 normalization scheme을 선택해야 generalized representation을 얻을 수 있음
  • 추가적으로 larger dataset training을 위해 12-layer로 구성된 larger context network를 사용하는 Wav2Vec-large model을 고려할 수 있음
    - 이 경우 aggregator에 skip connection을 도입하여 사용하고, total receptive field는 810ms를 가짐

Wav2Vec

- Objective

• 논문은 propsal distribution $p_n$에서 추출한 distractor sample $\tilde{\mathbf{z}}$와 $k$-step future의 sample ${\mathbf{z}}_{i+k}$를 distinguish 하기 위해 model을 training 함
  • 즉, 각 step $k=1,...,K$에 대한 contrastive loss를 minimize 함:
    (Eq. 1) ${\mathcal{L}}_k=-\sum _{i=1}^{T-k}(\log \sigma ({\mathbf{z}}_{i+k}^{\mathrm{\top }}{h}_k({\mathbf{c}}_i))+\lambda {\mathbb{E}}_{\tilde{\mathbf{z}}\sim p_n}[\log \sigma (-{\tilde{\mathbf{z}}}^{\mathrm{\top }}{h}_k({\mathbf{c}}_i))])$
    - $\sigma (x)=1/(1+\text{exp}(-x))$ : sigmoid function, $\lambda$ : negatives 수
    - $\sigma ({\mathbf{z}}_{i+k}^{\mathrm{\top }}{h}_k({\mathbf{c}}_i))$ : ${\mathbf{z}}_{i+k}$가 true sample이 될 probability
    
  • 여기서 각 step $k$에 대해 ${\mathbf{c}}_i$에 적용되는 step-specific affine transformation $h_k({\mathbf{c}}_i)=W_k{\mathbf{c}}_i+{\mathbf{b}}_k$을 고려할 수 있음
  • 결과적으로 논문은 loss $\mathcal{L}=\sum _{k=1}^K{\mathcal{L}}_k$를 optimize 하여 서로 다른 step size에 걸쳐 (Eq. 1)을 summation 함
    1. 이때 각 audio sequence에서 distractor를 uniformly choosing 하여 10-negative examples를 sampling 한 다음, expectation을 approximate 함
    2. 즉, $T$를 sequence length라고 할 때, $p_n(\mathbf{z})=\frac{1}{T}$
  • Training 이후 log-mel filterbank 대신 context network에서 생성된 representation ${\mathbf{c}}_i$를 acoustic model에 input 함

- Decoding

• Acoustic model output을 decoding 하기 위해 WSJ dataset에서만 train 된 language model을 고려할 수 있음
  • 이를 위해 논문은 beam search decoder를 채택하여 (Eq. 2)를 maximize 하는 방식으로 context network $\mathbf{c}$나 log-mel filter bank output으로부터 word sequence를 decode 함:
    (Eq. 2) $\underset{\mathbf{y}}{max}{f}_{AM}(\mathbf{y}|\mathbf{c})+\alpha \log p_{LM}(\mathbf{y})+\beta |\mathbf{y}|-\gamma \sum _{i=1}^T[{\pi }_i=\text{'|'}]$
    - $f_{AM}$ : acoustic model, $p_{LM}$ : language model
    - $\pi ={\pi }_1,...,{\pi }_L$ : $\mathbf{y}$의 character
    - $\alpha ,\beta ,\gamma$ : 각각 language model weights, word penality, silence penalty
    
  • WSJ를 decoding 하기 위해 hyperparameter를 tuning 하고 random search를 적용함
    - Word-based language model의 경우 4000 beam size, 250 score threshold를 사용하고, character-based language model의 경우 1500 beam size, 40 score threshold를 사용함

3. Experiments

- Settings

• Dataset : TIMIT, WSJ
• Comparisons : DeepSpeech2

- Results

• Pre-Training for the WSJ Benchmark
  • 전체적으로 Wav2Vec이 가장 우수한 성능을 보임

WSJ Dataset에 대한 성능

• 특히 더 많은 data에 대해 pre-training 하는 경우 더 나은 성능을 얻을 수 있음

Training Data Size 별 성능

• Pre-Training for TIMIT
  • TIMIT dataset에 대해서도 Wav2Vec의 성능이 가장 우수함

TIMIT Dataset에 대한 성능

• Ablations
  • Negative sample 수는 최대 10 sample까지만 유용하고 그 이상은 성능 향상에 큰 영향을 주지 못함

Pre-Training 중 Negative Sample의 효과

• $150k$ frame의 crop size를 사용할 때 최적의 성능을 달성함

Crop Size 별 성능

• 최대 12-step을 predicting ahead 하는 경우 최적의 성능을 달성할 수 있음

Task 수 $K$별 성능