文献

J-GLOBAL ID：202002267950492737   整理番号：20A1614060

混合特徴トランス次元確率場言語モデルによる離散およびニューラル特徴の統合【JST・京大機械翻訳】

Integrating Discrete and Neural Features Via Mixed-Feature Trans-Dimensional Random Field Language Models

著者 (4件)： Gao Silin (Tsinghua University,Speech Processing and Machine Intelligence (SPMI) Lab,Beijing,China) ,  Ou Zhijian (Tsinghua University,Speech Processing and Machine Intelligence (SPMI) Lab,Beijing,China) ,  Yang Wei (State Grid Customer Service Center) ,  Xu Huifang (China Electric Power Research Institute)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICASSP  ページ： 6169-6173  発行年： 2020年 
JST資料番号： W2441A  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： 離散特徴(n-gram特徴)とニューラルネットワークベース特徴が言語モデル(LM)の補完的強度を持つという長い認識がある。改善された性能は,モデル補間によって得ることができ,しかし,それは離散的およびニューラル特徴の準最適2段階統合である。トランス次元ランダム場(TRF)フレームワークは,より豊富な特徴集合を柔軟に統合できる潜在的利点を有する。しかし,以前のTRF LMでは,離散または神経特徴のいずれかが使用される。本論文では,混合特徴TRFLMを開発し,離散およびニューラル特徴の統合におけるその利点を実証した。種々のLMをPTBとGoogle one-billion-wordデータセット上で訓練し,音声認識のためのN-bestリスト再スコアリング実験で評価した。すべての単一LM(すなわち,モデル内挿なし)の中で,混合特徴TRFLMは,離散的TRFLMsと神経TRFLM単独の両方に対して最良であり,また,離散的およびニューラル特徴を有する2つの別々に訓練されたモデルと比較して,LSTMLMよりも著しく優れていて,混合特徴TRFLMの性能は,最良の補間モデルに適合し,そして,簡略化した1段階訓練プロセスおよび訓練時間を減らした。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 音声認識 ,  簡素化 ,  内挿法 ,  *言語モデル
準シソーラス用語： Google , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 混合特徴 ,  トランス ,  次元 ,  確率場 ,  言語モデル ,  統合