| 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 | Velikost | Formát | |
|---|---|---|---|---|
| VanekJ_2014_Anti-ModelsAn.pdf | Plný text | 197,75 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/16960Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.