文献

J-GLOBAL ID：202002221736616146   整理番号：20A2072133

期待値最大化によるニューラルネットワークに基づく音素認識器を訓練するための雑音語レベルラベルの使用【JST・京大機械翻訳】

Using Noisy Word-Level Labels to Train a Phoneme Recognizer based on Neural Networks by Expectation Maximization

著者 (4件)： Li Chen (College of Computer Science, Nankai University, Tianjin, P.R.China) ,  Zhang Bo (College of Software, Nankai University, Tianjin, P.R.China) ,  Huang Shan (College of Software, Nankai University, Tianjin, P.R.China) ,  Liu Zhenhuan (College of Software, Nankai University, Tianjin, P.R.China)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICCPR ’19  ページ： 302-307  発行年： 2019年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： コネクショニスト時間分類(CTC)技術は,ニューラルネットワークベースの音声認識器を訓練するために使用することができる。音素認識器を訓練するためにこの技術を用いるとき,訓練データを音素レベルラベルで注釈付けする必要がある。これは,大きな音声データベースを用いる場合,実行可能ではない。そのような音声データを利用する一つの方法は,単語レベル転写を音素レベルラベルに変換し,続いてCTC訓練を行うことである。このアプローチの問題は,変換音素レベルラベルが音声データのオーディオコンテンツをミスマッチするかもしれないということである。本論文では,発話を与えられた雑音音素レベルラベルの観測確率を記述する確率モデルを使用した。モデルは,任意の音素シーケンスの確率を予測するニューラルネットワークと,他のいわゆる不整合モデルから成り,音素シーケンスをもう1つに乱す確率を記述する。期待値最大化(EM)フレームワークに基づいて,ニューラルネットワークと不整合モデルのパラメータを同時に学習できる訓練アルゴリズムを提案した。著者らの方法の有効性を,TIMITコーパスに関する従来の訓練法と著者らの方法の認識性能を比較することによって検証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *雑音 ,  *ニューラルネットワーク ,  *音素 ,  オーディオ機器 ,  確率モデル ,  単語 ,  音声データベース ,  コーパス ,  発話 ,  学習アルゴリズム ,  コンテンツ
準シソーラス用語： 訓練データ ,  *EMアルゴリズム ,  *音素認識 ,  音声データ , 【Automatic Indexing@JST】

著者キーワード (4件)： CTC ,  EMアルゴリズム ,  音素認識 ,  雑音のあるラベル

分類 (2件)： パターン認識  (JE07000S) ,  音声処理  (JE05000E)

タイトルに関連する用語 (6件)： 期待値最大化 ,  ニューラルネットワーク ,  音素認識 ,  訓練 ,  雑音 ,  ラベル