CAARMA：带有对抗性混合正则化的类别增强

本研究解决了在说话人验证任务中，由于真实数据集中类别多样性不足而造成的学习问题。提出的CAARMA框架通过在嵌入空间中进行数据混合生成合成类别，从而扩展了训练类别数量，并采用对抗性精炼机制确保合成类别的真实性。研究表明，该框架在多个说话人验证任务中相比基线模型显著提高了8%的性能。