文献

J-GLOBAL ID：202002272417571092   整理番号：20A0904569

DS-CNNに基づく小フットプリントキーワードスポッティングのための仮想敵対訓練【JST・京大機械翻訳】

Virtual Adversarial Training for DS-CNN Based Small-Footprint Keyword Spotting

著者 (3件)： Wang Xiong (Audio, Speech and Language Processing Group, School of Computer Science, Northwestern Polytechnical University,Xi’an,China) ,  Sun Sining (Tencent,China) ,  Xie Lei (Audio, Speech and Language Processing Group, School of Computer Science, Northwestern Polytechnical University,Xi’an,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ASRU  ページ： 607-612  発行年： 2019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： 音声により可能なユーザインタフェイスのtiggerとして,オンデバイスキーワードスポッティングモデルは,非常にコンパクトで,効率的で,正確である必要がある。本論文では,これらの末端に非常に競争力がある,著者らの小フットプリントKWSモデルとして,深さ方向に分離可能な畳込みニューラルネットワーク(DS-CNN)を採用した。しかし,最近の研究では,コンパクトなKWSシステムは,小さな敵の摂動に対して非常に脆弱であるが,特別に生成された敵の例による訓練データの増強は,性能を改善することができることを示している。本論文において,著者らはさらに,仮想的な敵の訓練(VAT)解法を通してKWS性能を改良した。データ増大に対する敵の例を用いる代わりに,著者らは,損失関数に分布平滑度測度を明示的に導入することにより,モデルの分布を平滑化し,ロバスト性を改善するために,逆行列正則化を用いてDS-CNN KWSモデルを訓練することを提案した。遠方場シナリオにおける円形マイクロフォン配列を用いた収集KWSコーパスに関する実験により,VATアプローチは,交差エントロピー損失を伴う通常の訓練アプローチと比較して31.9%の相対偽排除率(FRR)低減をもたらし,また,10.3%相対的FRR低減による敵例ベースのデータ増強アプローチを上回ることを示した。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： エントロピー ,  測度 ,  損失関数 ,  平滑化 ,  正則化 ,  逆行列 ,  遠方場 ,  ロバスト性 ,  ユーザインタフェイス ,  *コーパス ,  平滑度
準シソーラス用語： 訓練データ ,  脆弱性 ,  マイクロホンアレイ ,  畳込みニューラルネットワーク , 【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 (5件)： Ds ,  CNN ,  仮想 ,  敵対 ,  訓練