Full metadata record
DC pole | Hodnota | Jazyk |
---|---|---|
dc.contributor.author | Vaněk, Jan | |
dc.contributor.author | Psutka, Josef | |
dc.date.accessioned | 2015-12-11T07:17:31Z | |
dc.date.available | 2015-12-11T07:17:31Z | |
dc.date.issued | 2014 | |
dc.identifier.citation | 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. | en |
dc.identifier.isbn | 978-3-319-10815-5 | |
dc.identifier.issn | 0302-9743 | |
dc.identifier.uri | http://www.kky.zcu.cz/cs/publications/VanekJ_2014_Anti-ModelsAn | |
dc.identifier.uri | http://hdl.handle.net/11025/16960 | |
dc.description.abstract | 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. | cs |
dc.format | 8 s. | cs |
dc.format.mimetype | application/pdf | |
dc.language.iso | en | en |
dc.publisher | Springer | en |
dc.rights | © Jan Vaněk - Josef Psutka | cs |
dc.subject | ASR | cs |
dc.subject | HMM | cs |
dc.subject | akustické modelování | cs |
dc.subject | diskriminativní trénování | cs |
dc.subject | antimodely | cs |
dc.subject | MMI | cs |
dc.subject | MCE | cs |
dc.subject | MPE | cs |
dc.title | Anti-models: an alternative way to discriminative training | en |
dc.title.alternative | Antimodely: Alternativní přístup k diskriminativnímu modelování | cs |
dc.type | článek | cs |
dc.type | article | en |
dc.rights.access | openAccess | en |
dc.type.version | publishedVersion | en |
dc.description.abstract-translated | 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. | en |
dc.subject.translated | ASR | en |
dc.subject.translated | HMM | en |
dc.subject.translated | acoustics modeling | en |
dc.subject.translated | discriminative training | en |
dc.subject.translated | anti-models | en |
dc.subject.translated | MMI | en |
dc.subject.translated | MCE | en |
dc.subject.translated | MPE | en |
dc.identifier.doi | 10.1007/978-3-319-10816-2_54 | |
dc.identifier.doi | 10.1007/978-3-319-10816-2_54 | |
dc.type.status | Peer-reviewed | en |
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/11025/16960
Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.