TARQ：用于罕见词鲁棒自动语音识别的尾部感知重建量化

数据感知 后训练 量化 (PTQ) 最大限度地减少了小型校准语料库上每个标记的重建损失，并根据位置的经验频率隐式加权。对于 \textbf{A} 自动 \textbf{S}peech \textbf{R} 识别（ASR），这与尾部敏感风险不一致：名称、数字和特定领域的单词按比例接收很少的校准质量。我们提出 \textbf{Tail-Aware Reconstruction Quantization} (\TARQ)，一个无标签的 PTQ 框架，通过 \textbf{\rareBAL} 将校准转向词汇尾部，\textbf{\rareBAL} 是一个封闭形式的每线性层规则，均衡公共/尾部质量，并与度量一致的残差校正配对。 \TARQ\ 不需要实体标签，不需要策划的校准集，不需要验证解码，也不需要额外的训练。在 W4G128 的 8 个 ASR 主干网络和 6 个数据集上，\TARQ\ 在没有聚合 WER 回归的情况下改进了平均稀有-\textbf{W}ord \textbf{E}rror \textbf{R}ate (rare-WER)，在比较方法中实现了最低的跨语料库稀有-WER 波动，并在没有实体监督的情况下转移到富含实体的基准（ProfASR、ContextASR-Speech-En）。