抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
子供の自動音声認識(ASR)は,部分的には,データ不足問題,特に幼稚園の k子のために困難である。データが不足しているとき,モデルは訓練データに適合し,したがって,訓練のための良い出発点は必須である。最近,メタ学習を提案し,異なる言語のASRタスクに対するモデル初期化(MI)を学習した。この方法は,このモデルが非セエンス言語に順応するとき,良好な性能をもたらす。しかし,MIは訓練作業(学習者過剰適合)に対する過剰適合に脆弱である。また,MIが他の低資源タスクに一般化するかどうかは不明である。本論文では,子供のASRにおけるMIの有効性を検証し,学習者に対する学習者の問題を軽減することを試みた。モデル診断メタ学習(MAML)を達成するために,異なるタスクとして各年齢で子供の音声を取り上げた。学習者の過剰適合に関して,周波数ワーピング技術を用いて新しい年齢をシミュレートすることによりタスクレベル増強法を提案した。詳細な実験を行い,幼稚園年音声に対する各年齢に対するタスク増大の影響を明らかにした。その結果,提案アプローチは,増加や初期化なしに,ベースラインシステムよりも51%の相対的単語誤り率(WER)改善を達成した。【JST・京大機械翻訳】