增强学习（RL）研究领域非常活跃，并具有重要的新贡献；特别是考虑到深RL（DRL）的新兴领域。但是，仍然需要解决许多科学和技术挑战，其中我们可以提及抽象行动的能力或在稀疏回报环境中探索环境的难以通过内在动机（IM）来解决的。我们建议通过基于信息理论的新分类法调查这些研究工作：我们在计算上重新审视了惊喜，新颖性和技能学习的概念。这使我们能够确定方法的优势和缺点，并展示当前的研究前景。我们的分析表明，新颖性和惊喜可以帮助建立可转移技能的层次结构，从而进一步抽象环境并使勘探过程更加健壮。
translated by 谷歌翻译
能够收集用户声音的强大个人设备的广泛开设了建立语音识别系统（ASR）的扬声器或参与ASR的协作学习的机会。在这两种情况下，可以构建个性化的声学模型（AM），即微调AM与特定扬声器数据。自然出现的问题是，个性化声学模型的传播是否可以泄漏个人信息。在本文中，我们表明可以通过仅利用本地适应该扬声器的神经声学模型的重量矩阵变化来检索扬声器的性别，而且还可以检索扬声器的性别，而且还可以检索他的身份。顺便提及，我们观察到在语音处理的背景下可以有助于解释深度神经网络的现象。在使用中间层时，只能使用第一层和扬声器验证几乎肯定地识别性别。我们对具有HMM / TDNN模型的TED-Lium 3数据集的实验研究显示了性别检测的95％，并且通过仅利用可以交换的个性化模型的权重，扬声器验证任务的相同错误率为9.07％而不是用户数据。
translated by 谷歌翻译
本文调查了在自动语音识别（ASR）中有效地从个性化扬声器适应的神经网络声学模型（AMS）中检索扬声器信息。这个问题在联合学习的ASR声学模型的上下文中尤为重要，其中基于从多个客户端接收的更新在服务器上学习了全局模型。我们提出了一种方法来根据所谓指示器数据集的神经网络足迹分析神经网络AMS中的信息。使用此方法，我们开发了两个攻击模型，该模型旨在从更新的个性化模型推断扬声器身份，而无需访问实际用户的语音数据。TED-Lium 3语料库的实验表明，所提出的方法非常有效，可以提供1-2％的相同错误率（eer）。
translated by 谷歌翻译