arXiv cs.CL· Thai Quoc On, Homayoon Beigi·· 6 天前AI 评分18
金融语音需要持续学习正则化吗？EWC 与 mini-KFAC 在财报电话会议 ASR 上的研究
Does Financial Speech Need Continual Learning Regularization? A Study of EWC and mini-KFAC on Earnings Call ASR
AI 导读
研究将 Whisper-small 从通用语音语料适配到 Earnings22 基准，发现所有评估方法在同域金融语音留出集上均出现性能提升而非灾难性遗忘，任务互补性使正则化反而有害。当确需正则化时，逐层 mini-KFAC 近似比标准对角 EWC 取得更低 WER 和更稳定的优化。结果表明应用持续学习约束前应先评估任务互补性，必要时优先选择 mini-KFAC EWC。
正文 · AI 翻译
摘要：财报电话会议转录呈现了一个真实的持续学习场景：自动语音识别（ASR）系统会使用新录音进行更新，但存在对先前学到的金融语音模式发生灾难性遗忘的风险。将 Whisper-small 从通用领域语音语料库适配到 Earnings22 基准测试却揭示了相反的情况：所有被评估的方法在适配过程中对来自同一领域的留出金融语音都表现出改进，而非遗忘。这种任务互补性使得正则化适得其反。尽管如此，当确实需要正则化时，逐层 mini-Kronecker-Factored Approximate Curvature（mini-KFAC）近似似乎比标准对角 Elastic Weight Consolidation（EWC）能实现更低的词错误率（WER）和更稳定的优化。结果表明，在应用持续学习约束之前应评估任务互补性，并在需要时优先选择 mini-KFAC EWC 而非对角 EWC。
| 评论： | 10 页，7 幅图，3 张表。发表于第 9 届国际自然语言与语音处理会议（ICNLSP 2026），意大利特伦托特伦托大学，2026 年 9 月 25-26 日。论文集将收录于 ACL Anthology |
| 主题： | 音频与语音处理（eess.AS）；计算与语言（cs.CL）；机器学习（cs.LG） |
| ACM 分类： | I.2.7 |
| 引用为： | arXiv:2610.13432 [eess.AS] |
| （或本版本使用 arXiv:2610.13432v1 [eess.AS]） | |
| https://doi.org/10.48550/arXiv.2610.13432 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Homayoon Beigi [查看电子邮件]
[v1]
2026 年 10 月 9 日星期五 11:34:13 UTC（1,103 KB）
来源：arXiv cs.CL · arxiv.org