arXiv 自然语言处理· Shashi Kumar, Yanis Labrak, Sergio Burdisso, Esa\'u Villatoro-Tello, Petr Motlicek, Kadri Hacioglu, Andreas Stolcke·· 9 小时前AI 评分41
将伪标签作为奖励而非目标：面向半监督 ASR 的 GRPO
Pseudo-Labels as Rewards, Not Targets: Group-Relative Policy Optimization for Semi-Supervised ASR
AI 导读
针对半监督 ASR，研究提出将伪标签作为 GRPO 的奖励参考而非训练目标，有效降低了模型对标签噪声的敏感度。在银行领域使用 Whisper 伪标签时，GRPO 相比 SFT 取得 29.3% 至 56.2% 的相对 WER 改善，并在 4 种 Whisper 尺寸、4 种教师族、3 个领域和 4 种语言中均保持优势。此外，SFT 几乎 100% 逐字复现教师错误，而 GRPO 仅传递 27%。
来源：arXiv 自然语言处理 · arxiv.org