Název: Anti-models: an alternative way to discriminative training
Další názvy: Antimodely: Alternativní přístup k diskriminativnímu modelování
Autoři: Vaněk, Jan
Psutka, Josef
Citace zdrojového dokumentu: VANĚK, Jan; PSUTKA, Josef. Anti-models: an alternative way to discriminative training. In: Text, speech nad dialoque. Berlin: Springer, 2014, p. 449-456. ISBN 978-3-319-10815-5.
Datum vydání: 2014
Nakladatel: Springer
Typ dokumentu: článek
article
URI: http://www.kky.zcu.cz/cs/publications/VanekJ_2014_Anti-ModelsAn
http://hdl.handle.net/11025/16960
ISBN: 978-3-319-10815-5
ISSN: 0302-9743
Klíčová slova: ASR;HMM;akustické modelování;diskriminativní trénování;antimodely;MMI;MCE;MPE
Klíčová slova v dalším jazyce: ASR;HMM;acoustics modeling;discriminative training;anti-models;MMI;MCE;MPE
Abstrakt: Tradiční metody diskriminativního trénování modifikují parametry skrytých markovových modelů (HMM), které jsou zpravidla odhadnuty na základě kritéria maximální věrohodnosti (ML). V tomto článku jsou namísto toho využity antimodely. Antimodely jsou použity v kombinaci s ML modely tak, aby výstupní pravděpodobnosti HMM byly modifikovány vzhedem k diskriminativní informaci obsažené v trénovacích datech. Tradiční metody diskriminativního trénování jsou náchylné k přetrénování a vyžadují speciální techniky pro stabilní výpočet. Také konvergence není zaručena a zpravidla jen "vhodný" počet iterací je použit. V prezentovaném konceptu antimodelů má model dvě části: pozitivní model a antimodel. Obě čísti jsou trénovány na základě ML kritéria a proto konvergence a stabilita výpočtu je zaručena.
Abstrakt v dalším jazyce: Traditional discriminative training methods modify Hidden Markov Model (HMM) parameters obtained via a Maximum Likelihood (ML) criterion based estimator. In this paper, anti-models are introduced instead. The anti-models are used in tandem with ML models to incorporate a discriminative information from training data set and modify the HMM output likelihood in a discriminative way. Traditional discriminative training methods are prone to over-fitting and require an extra stabilization. Also, convergence is not ensured and usually "a proper" number of iterations is done. In the proposed anti-models concept, two parts, positive model and anti-model, are trained via ML criterion. Therefore, the convergence and the stability are ensured.
Práva: © Jan Vaněk - Josef Psutka
Vyskytuje se v kolekcích:Články / Articles (KIV)
Články / Articles (KKY)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
VanekJ_2014_Anti-ModelsAn.pdfPlný text197,75 kBAdobe PDFZobrazit/otevřít


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/16960

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.