深層ニューラルネットワーク適応化のためのBayes学習【JST機械翻訳】

Xie Xurong; Liu Xunying; Lee Tan; Wang Lan

プレプリント

J-GLOBAL ID：202202208892368028 整理番号：21P0068018

深層ニューラルネットワーク適応化のためのBayes学習【JST機械翻訳】

Bayesian Learning for Deep Neural Network Adaptation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年12月14日プレプリントサーバーでの情報更新日： 2024年06月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

音声認識システムのための主要なタスクは,話者の違いにしばしば起因する訓練および評価データ間のミスマッチを低減することである。話者適応化技法は,そのミスマッチ削減のために極めて重要な役割を果たす。モデルベース話者適応化アプローチでは,ロバスト性を保証するために十分な量のターゲット話者データが必要となることが多い。話者レベルデータの量が制限されている場合,話者適応化は過剰適合および貧弱な汎化の傾向がある。この問題に対処するために,本論文では,限られた話者固有適応化データが与えられた場合に,話者依存型(SD)パラメータ不確実性をモデル化するために,完全Bayes学習に基づくDNN話者適応化フレームワークを提案した。このフレームワークを,隠れユニット寄与のBayes学習(BLHUC),Bayesパラメータ化活性化関数(BPAct),およびBayes隠れユニットバイアスベクトル(BHUB)の3つの形式のモデルベースDNN適応技術で検討した。3つの方法では,決定論的SDパラメータを各話者に対する潜在変数事後分布に置き換え,そのパラメータを変分推論ベースアプローチを用いて効率的に推定した。300時間速度摂動スイッチボードコーパス訓練LF-MMI TDNN/CNN-TDNNシステムで行った実験は,提案したBayes適応手法がNIST Hub5’00とRT03評価集合の決定論的適応を一貫して上回ることを示唆した。適応化データとして各話者からの最初の5つの発話のみを用いた場合,コールホーム部分集合上で最大1.4%絶対(7.2%相対)までの大きな単語誤り率削減が得られた。提案したBayes適応技術の有効性を,文献に報告された最新のシステムを使用して,同じタスクで得られた最先端の性能と比較してさらに実証した。【JST機械翻訳】

, , , , , , ,
, , , , , , , , , , 【Automatic Indexing@JST】

パターン認識 , システム・制御理論一般

, ,

前のページに戻る