WO2018062265A1 - 音響モデル学習装置、その方法、及びプログラム - Google Patents

音響モデル学習装置、その方法、及びプログラム Download PDF

Info

Publication number
WO2018062265A1
WO2018062265A1 PCT/JP2017/034942 JP2017034942W WO2018062265A1 WO 2018062265 A1 WO2018062265 A1 WO 2018062265A1 JP 2017034942 W JP2017034942 W JP 2017034942W WO 2018062265 A1 WO2018062265 A1 WO 2018062265A1
Authority
WO
WIPO (PCT)
Prior art keywords
output
probability distribution
output probability
unit
acoustic model
Prior art date
Application number
PCT/JP2017/034942
Other languages
English (en)
French (fr)
Inventor
太一 浅見
中村　孝
Original Assignee
日本電信電話株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to US16/337,081 priority Critical patent/US10950225B2/en
Priority to JP2018542640A priority patent/JP6712644B2/ja
Publication of WO2018062265A1 publication Critical patent/WO2018062265A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks

Definitions

  • the present invention relates to an acoustic model learning apparatus, a method thereof, and a program for learning an acoustic model used for speech recognition and the like.
  • Non-Patent Document 1 is known as a prior art of an acoustic model learning method.
  • a general neural network learning method is shown in FIG.
  • a method for learning a neural network type acoustic model for speech recognition (hereinafter simply referred to as “acoustic model”) using this learning method is described in “TRAINING DEEP NEURAL” in Non-Patent Document 1 (hereinafter also referred to as Conventional Technology 1).
  • NETWORKS Section.
  • the output probability distribution calculation unit 81 inputs the feature amount O of the learning data to the current model (acoustic model being learned) and calculates an output probability distribution in which the output probabilities p (j) of the units j of the output layer are arranged. To do.
  • Model updating unit 82 a loss function C from the distribution of the correct unit number j L and the output probability p (j) is calculated and update the model to reduce the value of the loss function C. For each pair of the feature quantity O training data correct unit number j L, it repeats the processing of the output probability calculation and model updating. A model at the time when a predetermined number of repetitions (usually tens of millions to several hundreds of millions) has been completed is used as a learned acoustic model.
  • Non-Patent Document 2 (hereinafter, also referred to as Conventional Technology 2) describes a method for transferring knowledge possessed by a already learned neural network to a newly learned neural network.
  • the structure of the prior art 2 is shown in FIG.
  • a teacher model that is a learned neural network is prepared in advance.
  • This prior art 2 differs from the prior art 1 in that it has a teacher output probability distribution calculation unit 91 and that the model update unit 82 is replaced with a modified model update unit 92.
  • the teacher output probability distribution calculation unit 91 inputs a feature amount O of learning data to a teacher model and outputs a distribution of output probabilities p 1 (j) in which the probabilities of units j of the output layer are arranged (hereinafter simply referred to as a teacher output probability distribution).
  • the modified model update unit 92 performs processing by replacing the loss function C of the model update unit 82 (see FIG. 1) with the following loss function C ′.
  • This loss function C ′ includes the loss function C (first term) of the original model updating unit 82 and the cross entropy (second term) of the distribution of the output probability q j of the teacher model and the distribution of the output probability p j of the student model. ).
  • the weight ⁇ is a parameter of 0 to 1 that is set in advance.
  • the huge model means a model having a large number of intermediate layers in the neural network and a large number of units in each intermediate layer.
  • Over-learning is a phenomenon in which learning data can be recognized with very high accuracy, but data that is not included in the learning data (input from the user during actual speech recognition service operation) cannot be recognized at all.
  • An object of the present invention is to provide an acoustic model learning device, a method thereof, and a program capable of reducing the problem of teacher model errors and creating a highly accurate acoustic model.
  • an acoustic model learning device includes a feature amount obtained from a learning acoustic signal and a learned first acoustic model including a neural network.
  • the first output probability distribution calculation unit that calculates the first output probability distribution including the distribution of the output probability of each unit of the output layer, the feature amount obtained from the learning acoustic signal, and the first acoustic model
  • a second output probability distribution calculation unit that calculates a second output probability distribution including a distribution of output probabilities of each unit of the output layer using a different second acoustic model including a neural network, and a learning acoustic signal.
  • the second loss function is calculated from the corresponding correct answer unit number and the second output probability distribution, the cross entropy between the first output probability distribution and the second output probability distribution is calculated, and the second loss function and the cross entropy are calculated.
  • a modified model update unit that updates the parameters of the second acoustic model so that the weighted sum is reduced
  • the first output probability distribution calculation unit is a smoothing composed of real values greater than 0.
  • the first output probability distribution is calculated so as to approach the uniform distribution as the smoothing parameter is larger, and using the feature amount obtained from the acoustic signal for learning and the first acoustic model, Find the logit of each unit in the output layer, and if the output unit number with the largest logit value is different from the correct unit number, increase the value of the smoothing parameter to make the first output probability distribution calculate.
  • an acoustic model learning device includes a feature amount obtained from an acoustic signal for learning, a learned first acoustic model including a neural network, , A first output probability distribution calculation unit for calculating a first output probability distribution including a distribution of output probabilities of each unit of the output layer, a feature amount obtained from an acoustic signal for learning, a first acoustic model, A second output probability distribution calculation unit for calculating a second output probability distribution including a distribution of output probability of each unit of the output layer using a different second acoustic model including a neural network, and an acoustic signal for learning If the output unit number with the largest logit value is different from the correct unit number among the logits of each unit in the output layer obtained using the feature quantity obtained from the first acoustic model Corrects the output probability distribution by replacing the output probability of the output unit corresponding to the output unit number with the largest logit value in the first output
  • the second loss function is calculated from the first output probability distribution correction unit to be the first output probability distribution later, the correct unit number corresponding to the acoustic signal for learning and the second output probability distribution, and the corrected first Correction that calculates the cross entropy between the output probability distribution and the second output probability distribution, calculates the weighted sum of the second loss function and the cross entropy, and updates the parameters of the second acoustic model so that the weighted sum decreases. And a model update unit.
  • an acoustic model learning device includes a feature amount obtained from an acoustic signal for learning, a learned first acoustic model including a neural network, A first output probability distribution calculating step for calculating a first output probability distribution including the output probability distribution of each unit of the output layer, a feature amount obtained from the acoustic signal for learning, a first acoustic model, A second output probability distribution calculating step for calculating a second output probability distribution including a distribution of output probability of each unit of the output layer using a different second acoustic model including a neural network, and an acoustic signal for learning
  • the second loss function is calculated from the correct unit number corresponding to and the second output probability distribution, the cross entropy between the first output probability distribution and the second output probability distribution is calculated, and the second loss function and the second output probability distribution are calculated.
  • the first output probability distribution is calculated so that the larger the smoothing parameter is, the closer to the uniform distribution is, and the feature amount obtained from the acoustic signal for learning and the first acoustic model are used.
  • the logarithm of each unit in the output layer is obtained, and if the output unit number with the largest logit value is different from the correct unit number, the value of the smoothing parameter is set larger than the case of matching and the first output probability Calculate the distribution.
  • an acoustic model learning device includes a feature amount obtained from an acoustic signal for learning, a learned first acoustic model including a neural network, A first output probability distribution calculating step for calculating a first output probability distribution including the output probability distribution of each unit of the output layer, a feature amount obtained from the acoustic signal for learning, a first acoustic model, A second output probability distribution calculating step for calculating a second output probability distribution including a distribution of output probability of each unit of the output layer using a different second acoustic model including a neural network, and an acoustic signal for learning Output unit number and correct unit number with the largest logit value among the logit values of each unit in the output layer obtained using the feature quantity obtained from If the output probability is different, the output probability of the output unit corresponding to the output unit number with the largest logit value in the first output probability distribution is replaced with the output probability of the output unit corresponding to
  • the functional block diagram of the acoustic model learning apparatus which concerns on a prior art.
  • the functional block diagram of the acoustic model learning apparatus which concerns on a prior art.
  • the functional block diagram of the acoustic model learning apparatus which concerns on 1st embodiment.
  • the functional block diagram of the acoustic model learning apparatus which concerns on 2nd embodiment.
  • the functional block diagram of the acoustic model learning apparatus which concerns on the modification of 2nd embodiment.
  • the point of this embodiment is to avoid the problem of over-learning that occurs when learning data is small by transferring knowledge from an acoustic model that has already been learned with different learning data.
  • a constraint is imposed on the teacher model and the student model so that the neural network has the same structure.
  • an acoustic model that has already been learned with different learning data is used as a teacher model, and the initial value of the student model is used as a copy of the teacher model.
  • the teacher model learns knowledge that can be recognized correctly without learning a huge teacher model as in the prior art, and at the same time recognizes data that is not included in the learning data. Can be obtained from
  • FIG. 3 is a functional block diagram of the acoustic model learning apparatus according to the first embodiment, and FIG. 4 shows a processing flow thereof.
  • the acoustic model learning device 100 includes an output probability distribution calculation unit 101, a modified model update unit 102, a teacher output probability distribution calculation unit 103, and an initial value setting unit 104.
  • the main difference from the prior art 2 is that an initial value setting unit 104 is added, and accordingly, the base acoustic model (teacher model) and the acoustic model (student model) are limited to neural networks having the same structure. It is.
  • Output probability distribution calculation unit 101 Input: Feature O for learning, student model (student model being studied or initial model of student model) Output: Output probability distribution (distribution of output probability p 2 (j))
  • the output probability distribution calculation unit 101 calculates an output probability distribution including the distribution of the output probability p 2 (j) of each unit in the output layer, using the feature amount O obtained from the learning acoustic signal and the student model. (S2). Any existing technique may be used as a method for calculating the output probability p 2 (j), and an optimum method may be selected as appropriate in accordance with the usage environment. For example, it can be obtained by the method of Prior Art 1. In that case, first, the feature amount O is input to the student model, and the logit x j of the unit j of the output layer is obtained (see the following formula).
  • logistic () represents the logistic function
  • b j is the bias of unit j
  • i represents the index of the unit in the lower hierarchy
  • w ij is the weight for the connection from unit i to unit j in the lower hierarchy Represents.
  • the learning feature amount O is used when obtaining the input of the unit j of the input layer, and the student model includes b j and w ij .
  • the acoustic model learning apparatus 100 may include a time domain learning acoustic signal as an input, and may include a frequency domain conversion unit, a feature amount extraction unit, and the like (not shown).
  • a frequency domain conversion unit (not shown) converts an acoustic signal for time domain learning into a frequency domain signal and outputs it.
  • a feature amount extraction unit (not shown) extracts a learning feature amount O from a time-domain or frequency-domain learning acoustic signal and outputs it to the output probability distribution calculation unit 101.
  • the feature amount for example, a fundamental frequency, power, duration, formant frequency, spectrum, mel frequency cepstrum coefficient (MFCC), etc. can be considered.
  • ⁇ Teacher output probability distribution calculation unit 103 > Input: Feature O for learning, teacher model, temperature T Output: Output probability distribution (distribution of output probability p 1 (j))
  • the teacher output probability distribution calculation unit 103 uses the feature amount O obtained from the learning acoustic signal, the teacher model, and the temperature T to output the output probability including the distribution of the output probability p 1 (j) of each unit in the output layer. Distribution is calculated (S3). Any existing technique may be used as a method for calculating the output probability p 1 (j), and an optimal one may be selected as appropriate in accordance with the usage environment. For example, it can be obtained by the method of Prior Art 2. In that case, the output probability p 1 (j) is expressed by the following equation.
  • the calculation method of logit x j is the same as that of the output probability distribution calculation unit 101, but the teacher output probability distribution calculation unit 103 uses a teacher model instead of a student model.
  • the temperature T is a preset real-valued parameter greater than 0, and the larger the T is set, the closer the distribution of the output probability p 1 (j) becomes to a uniform distribution (no information). The degree of influence on model update is reduced.
  • the temperature T is also referred to as a smoothing parameter T.
  • the loss function C 2 is calculated from p 2 (j) (see equation (6)).
  • d j is 1 when j and correct unit number j L match, and 0 when it does not match.
  • the modified model update unit 102 cross-entropy C 1 (output probability p 1 (j) and output probability between the output probability distribution of output probability p 1 (j) and the output probability distribution of output probability p 2 (j).
  • p 2 (j) sum of logarithmic products is calculated (see equation (7)).
  • the modified model update unit 102 obtains a weighted sum C of the loss function C 2 and the cross entropy C 1 (see Expression (8)).
  • C (1- ⁇ ) C 2 + ⁇ C 1 (8)
  • the weight ⁇ is a parameter set in advance from 0 to 1 in advance.
  • the modified model update unit 102 updates the parameters of the student model so that the weighted sum C decreases (S4).
  • the predetermined condition for example, (i) when the number of repetitions exceeds a certain number (for example, tens of millions to hundreds of millions), (ii) when the update amount becomes smaller than a predetermined value, for example, (ii -a) When the sum of the update amounts of all parameters is smaller than the predetermined value, (ii-b) All or some of the update amounts of each parameter are smaller than the set predetermined values. When it becomes, etc. can be considered.
  • ⁇ Effect> By using the acoustic model created in the present embodiment, it is possible to perform speech recognition with higher accuracy than in the prior art, and the convenience for the speech recognition system user is improved. In addition, an acoustic model can be created with less learning data than in the prior art. Therefore, it is possible to reduce the amount of learning data necessary for developing the speech recognition system, and to shorten the time required for learning the acoustic model. Thereby, the learning data creation cost and acoustic model creation cost at the time of speech recognition system development can be reduced.
  • the teacher output probability distribution calculation unit 103 receives the temperature T, but the temperature T is not necessarily used. For example, it can be obtained by the method of the prior art 1 without using the temperature T. However, the teacher output probability distribution calculation unit 103 uses a teacher model instead of a student model when obtaining x j .
  • Points of this embodiment by considering the correct unit number j L teacher output probability calculation unit, to reduce the error in question teacher model is that to create more accurate acoustic model. Specifically, detecting an error of the teacher model by collating the correct unit number j L teacher output probability distribution, it raises the temperature T if incorrect. Thereby, it is possible to suppress the influence of an error in the teacher model being transferred to the student model.
  • FIG. 5 is a functional block diagram of the acoustic model learning apparatus according to the second embodiment, and FIG. 6 shows the processing flow.
  • the acoustic model learning device 200 includes an output probability distribution calculation unit 101, a modified model update unit 102, a teacher output probability distribution calculation unit with temperature adjustment 203, and an initial value setting unit 104.
  • the main difference from the first embodiment is that the teacher output probability distribution calculation unit 103 is replaced with a temperature adjusted teacher output probability distribution calculation unit 203.
  • ⁇ Teacher output probability distribution calculation unit 203 with temperature adjustment> Input: Feature amount O, teacher model, correct answer unit number j L , temperature T, temperature adjustment width ⁇ T Output: Output probability distribution (distribution of output probability p 1 (j))
  • the teacher output probability distribution calculation unit 203 uses the feature amount O obtained from the learning acoustic signal, the teacher model, the temperature T, and the temperature adjustment width ⁇ T to calculate the output probability p 1 (j) of each unit in the output layer.
  • An output probability distribution including the distribution is calculated (S13).
  • the teacher output probability distribution calculation unit 203 inputs the input feature amount O into the teacher model, and calculates the logit x j in Expression (2).
  • the teacher output probability distribution calculation unit 203 identifies the output unit number K having the largest logit x j value.
  • the teacher output probability distribution calculating unit 203 determines whether K is equal to the correct answer unit number j L. If K is equal to the correct answer unit number j L is the temperature T directly used to calculate the distribution of the output probability p 1 (j) by the following equation (12), and outputs. If K is different from the correct unit number j L is the distribution of the output probability p 1 (j) by the following equation (12) in terms of replacing the temperature T to T + [Delta] T is calculated and output.
  • the initial value setting unit 104 may not be included.
  • the acoustic model learning apparatus 200 includes an output probability distribution calculation unit 101, a modified model update unit 102, and a teacher output probability distribution calculation unit 203 with temperature adjustment.
  • FIG. 7 is a functional block diagram of an acoustic model learning apparatus according to a modification of the second embodiment, and FIG. 8 shows the processing flow.
  • the teacher model and the student model are not limited to neural networks having the same structure. That is, the neural network included in the teacher model used in the teacher output probability distribution calculation unit 203 with temperature adjustment according to the second embodiment and the neural network included in the teacher model of the present modification may have different structures.
  • the output probability distribution calculation unit 101 and the modified model update unit 102 can use, as an initial model, a neural network in which random numbers are assigned to each parameter, a neural network that has already been learned with different learning data, and the like, as in the prior art. .
  • the learned neural network used at this time has the same structure as the neural network included in the student model.
  • the distribution of the output probability p 1 (j) and the correct unit number j L are collated. detecting an error of the teacher model increases the probability of a unit corresponding to the correct answer unit number j L when wrong. Thereby, it is possible to suppress the influence of an error in the teacher model being transferred to the student model.
  • FIG. 9 is a functional block diagram of the acoustic model learning apparatus according to the second embodiment, and FIG. 10 shows the processing flow.
  • the acoustic model learning apparatus 300 includes an output probability distribution calculation unit 101, a modified model update unit 102, a teacher output probability distribution calculation unit 203 with temperature adjustment, an initial value setting unit 104, and a teacher output probability distribution correction unit 301.
  • the main difference from the second embodiment is that a teacher output probability distribution correction unit 301 is added.
  • a configuration in which the teacher output probability distribution calculation unit 203 with temperature adjustment is replaced with the teacher output probability distribution calculation unit 103 (not using the idea of the second embodiment) is also possible.
  • ⁇ Teacher output probability distribution correction unit 301 > Input: Distribution of output probability p 1 (j), correct unit number j L Output: Distribution of corrected output probability p 3 (j) The teacher output probability distribution correction unit 301 corrects the distribution of the output probability p 1 (j) using the correct unit number j L and corrects the output probability p after correction. 3 Obtain the distribution of (j).
  • Teacher output probability distribution correction unit 301 refers to the distribution of the output probability p 1 (j), the output probability p 1 (j) to identify the output unit number K of the maximum.
  • the teacher output probability distribution calculation unit 203 with temperature adjustment outputs K, and the teacher output probability distribution correction unit 301 May be input.
  • the teacher output probability distribution calculation unit 203 with temperature adjustment is replaced with the teacher output probability distribution calculation unit 103, the output unit that maximizes the output probability p 1 (j) in equation (21) or the like It is necessary to specify the number K.
  • the teacher output probability distribution correction unit 301 determines whether K is equal to the correct answer unit number j L. K is the equal to the correct unit number j L, and outputs the distribution of the output probability p 1 (j) as it is as a distribution of output probability p 3 after correction (j).
  • K is different from the correct unit number j L, of the distribution of the output probability p 1 (j), K th output of the output probability p 1 (K) and the output unit corresponding to the correct answer unit number j L output unit
  • a distribution of output probabilities with the probabilities p 1 (j L ) replaced is created as a distribution of corrected output probabilities p 3 (j) and output.
  • the acoustic model learning device 300 includes an output probability distribution calculation unit 101, a modified model update unit 102, a teacher output probability distribution calculation unit with temperature adjustment 203, and a teacher output probability distribution correction unit 301.
  • FIG. 11 is a functional block diagram of the acoustic model learning device according to the first modification of the third embodiment, and FIG. 12 shows the processing flow. The processing of each part is as described in the third embodiment, the modification of the second embodiment, and the like.
  • the teacher output probability distribution calculation unit 303 that does not use the temperature T and the temperature adjustment width ⁇ T may be used instead of the teacher output probability distribution calculation unit 203 with temperature adjustment.
  • the acoustic model learning device 300 includes an output probability distribution calculation unit 101, a modified model update unit 102, a teacher output probability distribution calculation unit 303, and a teacher output probability distribution correction unit 301.
  • FIG. 13 is a functional block diagram of the acoustic model learning device according to the second modification of the third embodiment, and FIG. 14 shows the processing flow thereof.
  • the main difference from Modification 1 of the third embodiment is that the teacher output probability distribution calculation unit 303 does not use temperature.
  • the processing of the teacher output probability distribution calculation unit 303 is as follows.
  • ⁇ Teacher output probability distribution calculation unit 303 > Input: Feature O for learning, teacher model output: Output probability distribution (distribution of output probability p 1 (j))
  • the teacher output probability distribution calculation unit 303 calculates an output probability distribution including the distribution of the output probability p 1 (j) of each unit in the output layer, using the feature amount O obtained from the acoustic signal for learning and the teacher model. (S33). Any existing technique may be used as a method for calculating the output probability p 1 (j), and an optimal one may be selected as appropriate in accordance with the usage environment. For example, it can be obtained by the method of Prior Art 1. In that case, the output probability p 1 (j) is expressed by the following equation.
  • the teacher output probability distribution calculation unit 103 that does not use the temperature adjustment width ⁇ T may be used instead of the teacher output probability distribution calculation unit 203 with temperature adjustment.
  • the acoustic model learning device 300 includes an output probability distribution calculation unit 101, a modified model update unit 102, a teacher output probability distribution calculation unit 103, and a teacher output probability distribution correction unit 301.
  • FIG. 15 is a functional block diagram of an acoustic model learning device according to Modification 3 of the third embodiment, and FIG. 16 shows the processing flow.
  • the main difference from Modification 2 of the third embodiment is that the teacher output probability distribution calculation unit 103 uses the temperature T. However, unlike the third embodiment, the temperature adjustment width ⁇ T is not used. Note that the processing contents of the teacher output probability distribution calculation unit 103 are as described in the first embodiment.
  • the program describing the processing contents can be recorded on a computer-readable recording medium.
  • a computer-readable recording medium for example, any recording medium such as a magnetic recording device, an optical disk, a magneto-optical recording medium, and a semiconductor memory may be used.
  • this program is distributed by selling, transferring, or lending a portable recording medium such as a DVD or CD-ROM in which the program is recorded. Further, the program may be distributed by storing the program in a storage device of the server computer and transferring the program from the server computer to another computer via a network.
  • a computer that executes such a program first stores a program recorded on a portable recording medium or a program transferred from a server computer in its storage unit. When executing the process, this computer reads the program stored in its own storage unit and executes the process according to the read program.
  • a computer may read a program directly from a portable recording medium and execute processing according to the program. Further, each time a program is transferred from the server computer to the computer, processing according to the received program may be executed sequentially.
  • the program is not transferred from the server computer to the computer, and the above-described processing is executed by a so-called ASP (Application Service Provider) type service that realizes a processing function only by an execution instruction and result acquisition. It is good.
  • the program includes information provided for processing by the electronic computer and equivalent to the program (data that is not a direct command to the computer but has a property that defines the processing of the computer).
  • each device is configured by executing a predetermined program on a computer, at least a part of these processing contents may be realized by hardware.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算部を含み、第一出力確率分布計算部は、0より大きい実数値からなる平滑化パラメータを入力とし、平滑化パラメータが大きいほど一様分布に近づくように第一出力確率分布を求めるものとし、学習用の音響信号から得られる特徴量と、第一音響モデルとを用いて、出力層の各ユニットのロジットを求め、最もロジットの値の大きい出力ユニット番号と正解ユニット番号とが異なる場合には、一致する場合よりも平滑化パラメータの値を大きくして第一出力確率分布を計算する。

Description

音響モデル学習装置、その方法、及びプログラム
　本発明は、音声認識等に用いる音響モデルを学習するための音響モデル学習装置、その方法、及びプログラムに関する。
　音響モデル学習方法の従来技術として非特許文献１が知られている。一般的なニューラルネットワークの学習方法を図１に示す。この学習方法を用いて、音声認識用のニューラルネットワーク型音響モデル（以下、単に「音響モデル」と書く）を学習する方法が非特許文献１（以下、従来技術１ともいう）の"TRAINING DEEP NEURAL NETWORKS"の節に記載されている。
　事前に学習データの各サンプルから抽出した特徴量（実数ベクトル）Oと各特徴量Oに対応する正解ユニット番号jLのペア、および適当な初期モデルを用意する。例えば、初期モデルとしては、各パラメータに乱数を割り当てたニューラルネットワークや、既に別の学習データで学習済みのニューラルネットワークなどが利用できる。出力確率分布計算部８１は、学習データの特徴量Oを現在のモデル(学習中の音響モデル)に入力して出力層の各ユニットjの出力確率p(j)を並べた出力確率分布を計算する。
　モデル更新部８２は、正解ユニット番号jLと出力確率p(j)の分布から損失関数Cを計算し、損失関数Cの値を減少させるようにモデルを更新する。学習データの特徴量Oと正解ユニット番号jLの各ペアに対して、上記の出力確率計算とモデル更新の処理を繰り返す。所定回数（通常、数千万～数億回）の繰り返しが完了した時点のモデルを学習済みの音響モデルとして利用する。
　また、既に学習済みのニューラルネットワークが持つ知識を、新たに学習するニューラルネットワークに転移する方法が非特許文献２(以下、従来技術２ともいう)に記載されている。従来技術２の構成を図２に示す。
　事前に特徴量Oと正解ユニット番号jLのペアおよび初期モデル（図２では便宜上「生徒モデル」と記載する）を用意する点は従来技術１と同様である。加えて従来技術２では既に学習済みのニューラルネットワークである教師モデルが事前に用意される。この従来技術２は、教師出力確率分布計算部９１を持つ点と、モデル更新部８２が修正モデル更新部９２に置き換えられている点が従来技術１と異なる。教師出力確率分布計算部９１は、学習データの特徴量Oを教師モデルに入力して出力層の各ユニットjの確率を並べた出力確率p1(j)の分布(以下、単に教師出力確率分布ともいう)を計算する。なお、教師出力確率分布を求める算出式に温度Tが導入されている点が従来技術１と異なる。温度Tは事前に設定される０より大きい実数値のパラメータである。修正モデル更新部９２は、モデル更新部８２(図１参照)の損失関数Cを以下の損失関数C'に置き換えて処理を行う。
Figure JPOXMLDOC01-appb-M000001
この損失関数C'は、もともとのモデル更新部８２の損失関数C(第１項)と、教師モデルの出力確率qjの分布と生徒モデルの出力確率pjの分布のクロスエントロピー（第２項）の重み付き和である。重みαは事前に設定される０以上１以下のパラメータである。
　従来技術２では、教師モデルとして事前に学習した巨大な（精度は高いが計算時間の遅い）モデルを使い、生徒モデルを乱数で初期化した小さなモデルとし、温度T＝２、重みα＝０．５と設定することで、教師モデルと同等の精度を持ち計算時間の速いモデルを学習できる効果が確認されている。なお、巨大なモデルとは、ニューラルネットワークの中間層の数や各中間層のユニット数が多いモデルを意味する。
Geoffrey Hinton, Li Deng, Dong Yu, George E. Dahl, Abdel-rahman Mohamed, Navdeep Jaitly, Andrew Senior, Vincent Vanhoucke, Patric Nguyen, Tara N. Sainath and Brian Kingsbury, "Deep Neural Networks for Acoustic Modeling in Speech Recognition," IEEE Signal Processing Magazine, Vol. 29, No 6, pp.82-97, 2012. Geoffrey Hinton, Oriol Vinyals and Jeff Dean, "Distilling the Knowledge in a Neural Network," in Proceedings of Deep Learning and Representation Learning Workshop in NIPS 2014.
　しかしながら、従来技術１では、学習データが少ない場合に過学習の問題が生じ、認識精度の低い音響モデルが学習されることがある。過学習とは、学習データを非常に高い精度で認識できるが、学習データに含まれない（実際の音声認識サービス運用時にユーザから入力される）データをまったく認識できなくなる現象である。
　また、従来技術２では、既に別の学習データで学習済みの音響モデルから知識を転移することで、学習データが少ない場合に生じる過学習の問題を回避する。しかしながら、従来技術２では教師モデルの動きを模倣するように生徒モデルが学習されるため、教師モデルが誤って認識するデータは生徒モデルも誤るように学習されてしまう。このような問題により、学習データが少ない場合に精度の高い音響モデルを作成することが困難となっている。
　本発明は、教師モデルの誤りの問題を軽減し、精度の高い音響モデルを作成することができる音響モデル学習装置、その方法、及びプログラムを提供することを目的とする。
　上記の課題を解決するために、本発明の一態様によれば、音響モデル学習装置は、学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算部と、学習用の音響信号から得られる特徴量と、第一音響モデルとは異なる、ニューラルネットワークを含む第二音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第二出力確率分布を計算する第二出力確率分布計算部と、学習用の音響信号に対応する正解ユニット番号と第二出力確率分布とから第二損失関数を計算し、第一出力確率分布と第二出力確率分布とのクロスエントロピーを計算し、第二損失関数とクロスエントロピーとの重み付き和を求め、重み付き和が減少するように第二音響モデルのパラメータを更新する修正モデル更新部とを含み、第一出力確率分布計算部は、0より大きい実数値からなる平滑化パラメータを入力とし、平滑化パラメータが大きいほど一様分布に近づくように第一出力確率分布を求めるものとし、学習用の音響信号から得られる特徴量と、第一音響モデルとを用いて、出力層の各ユニットのロジットを求め、最もロジットの値の大きい出力ユニット番号と正解ユニット番号とが異なる場合には、一致する場合よりも平滑化パラメータの値を大きくして第一出力確率分布を計算する。
　上記の課題を解決するために、本発明の他の態様によれば、音響モデル学習装置は、学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算部と、学習用の音響信号から得られる特徴量と、第一音響モデルとは異なる、ニューラルネットワークを含む第二音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第二出力確率分布を計算する第二出力確率分布計算部と、学習用の音響信号から得られる特徴量と、第一音響モデルとを用いて、求められる出力層の各ユニットのロジットの中で、最もロジットの値の大きい出力ユニット番号と正解ユニット番号とが異なる場合には、第一出力確率分布のうち、最もロジットの値の大きい出力ユニット番号に対応する出力ユニットの出力確率と、正解ユニット番号に対応する出力ユニットの出力確率とを入れ替えた出力確率の分布を補正後の第一出力確率分布とする第一出力確率分布補正部と、学習用の音響信号に対応する正解ユニット番号と第二出力確率分布とから第二損失関数を計算し、補正後の第一出力確率分布と第二出力確率分布とのクロスエントロピーを計算し、第二損失関数とクロスエントロピーとの重み付き和を求め、重み付き和が減少するように第二音響モデルのパラメータを更新する修正モデル更新部とを含む。
　上記の課題を解決するために、本発明の他の態様によれば、音響モデル学習装置は、学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算ステップと、学習用の音響信号から得られる特徴量と、第一音響モデルとは異なる、ニューラルネットワークを含む第二音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第二出力確率分布を計算する第二出力確率分布計算ステップと、学習用の音響信号に対応する正解ユニット番号と第二出力確率分布とから第二損失関数を計算し、第一出力確率分布と第二出力確率分布とのクロスエントロピーを計算し、第二損失関数とクロスエントロピーとの重み付き和を求め、重み付き和が減少するように第二音響モデルのパラメータを更新する修正モデル更新ステップとを含み、第一出力確率分布計算ステップは、0より大きい実数値からなる平滑化パラメータを入力とし、平滑化パラメータが大きいほど一様分布に近づくように第一出力確率分布を求めるものとし、学習用の音響信号から得られる特徴量と、第一音響モデルとを用いて、出力層の各ユニットのロジットを求め、最もロジットの値の大きい出力ユニット番号と正解ユニット番号とが異なる場合には、一致する場合よりも平滑化パラメータの値を大きくして第一出力確率分布を計算する。
　上記の課題を解決するために、本発明の他の態様によれば、音響モデル学習装置は、学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算ステップと、学習用の音響信号から得られる特徴量と、第一音響モデルとは異なる、ニューラルネットワークを含む第二音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第二出力確率分布を計算する第二出力確率分布計算ステップと、学習用の音響信号から得られる特徴量と、第一音響モデルとを用いて、求められる出力層の各ユニットのロジットの中で、最もロジットの値の大きい出力ユニット番号と正解ユニット番号とが異なる場合には、第一出力確率分布のうち、最もロジットの値の大きい出力ユニット番号に対応する出力ユニットの出力確率と、正解ユニット番号に対応する出力ユニットの出力確率とを入れ替えた出力確率の分布を補正後の第一出力確率分布とする第一出力確率分布補正ステップと、学習用の音響信号に対応する正解ユニット番号と第二出力確率分布とから第二損失関数を計算し、補正後の第一出力確率分布と第二出力確率分布とのクロスエントロピーを計算し、第二損失関数とクロスエントロピーとの重み付き和を求め、重み付き和が減少するように第二音響モデルのパラメータを更新する修正モデル更新ステップとを含む。
　本発明によれば、教師モデルの誤りの問題を軽減し、精度の高い音響モデルを作成することができるという効果を奏する。
従来技術に係る音響モデル学習装置の機能ブロック図。 従来技術に係る音響モデル学習装置の機能ブロック図。 第一実施形態に係る音響モデル学習装置の機能ブロック図。 第一実施形態に係る音響モデル学習装置の処理フローの例を示す図。 第二実施形態に係る音響モデル学習装置の機能ブロック図。 第二実施形態に係る音響モデル学習装置の処理フローの例を示す図。 第二実施形態の変形例に係る音響モデル学習装置の機能ブロック図。 第二実施形態の変形例に係る音響モデル学習装置の処理フローの例を示す図。 第三実施形態に係る音響モデル学習装置の機能ブロック図。 第三実施形態に係る音響モデル学習装置の処理フローの例を示す図。 第三実施形態の変形例１に係る音響モデル学習装置の機能ブロック図。 第三実施形態の変形例１に係る音響モデル学習装置の処理フローの例を示す図。 第三実施形態の変形例２に係る音響モデル学習装置の機能ブロック図。 第三実施形態の変形例２に係る音響モデル学習装置の処理フローの例を示す図。 第三実施形態の変形例３に係る音響モデル学習装置の機能ブロック図。 第三実施形態の変形例３に係る音響モデル学習装置の処理フローの例を示す図。
　以下、本発明の実施形態について、説明する。なお、以下の説明に用いる図面では、同じ機能を持つ構成部や同じ処理を行うステップには同一の符号を記し、重複説明を省略する。また、ベクトルや行列の各要素単位で行われる処理は、特に断りが無い限り、そのベクトルやその行列の全ての要素に対して適用されるものとする。
＜第一実施形態のポイント＞
　従来技術２では、生成する音響モデルに対して巨大な教師モデルを用意する必要がある。そのため、教師モデルを用意するためのコストが高くなり、また、計算時間の遅い教師モデルを使用するため音響モデルを生成する際に時間がかかる。本実施形態では、従来技術２ほど巨大な教師モデルを必要とせず、精度の高い音声認識を行える音響モデルを少ない学習データで作成できる。
　本実施形態のポイントは、既に別の学習データで学習済みの音響モデルから知識を転移することで、学習データが少ない場合に生じる過学習の問題を回避する点である。具体的には、従来技術２の枠組みにおいて、教師モデルと生徒モデルを同じ構造のニューラルネットワークとする制約を課す。この制約のもとで教師モデルとして既に別の学習データで学習済みの音響モデルを用い、生徒モデルの初期値を教師モデルのコピーとする。このような構成とすることで、従来技術ほど巨大な教師モデルを必要とせずに、学習データを正しく認識できるように学習しつつ、同時に学習データに含まれないデータをうまく認識する知識を教師モデルから得ることができる。
＜第一実施形態＞
　図３は第一実施形態に係る音響モデル学習装置の機能ブロック図を、図４はその処理フローを示す。
　音響モデル学習装置１００は、出力確率分布計算部１０１、修正モデル更新部１０２、教師出力確率分布計算部１０３、初期値設定部１０４とを含む。従来技術２との主な相違点は、初期値設定部１０４が追加されており、それに伴いベース音響モデル(教師モデル)と音響モデル(生徒モデル)が同じ構造のニューラルネットワークに限定されている点である。
＜初期値設定部１０４＞
入力：教師モデル
出力：生徒モデルの初期モデル
　学習済みの、ニューラルネットワークを含む音響モデル（教師モデル）のパラメータを用いて、その音響モデル（教師モデル）と同様の構造のニューラルネットワークを含む音響モデル（生徒モデル）のパラメータを設定する（Ｓ１）。例えば、入力された教師モデルのパラメータをコピーしたモデルを作成し、生徒モデルの初期モデルとして出力する。この処理は学習開始時に一度だけ行われる。従来技術２は教師モデルとして巨大なモデルを、生徒モデルとして小さなモデルを想定しているのに対し、本実施形態の教師モデルと生徒モデルとは全く同じ構造となる。この初期値設定部１０４の処理により、従来技術１よりも少ない学習データで高精度な音響モデルが学習可能となる。
＜出力確率分布計算部１０１＞
入力：学習用の特徴量O、生徒モデル(学習中の生徒モデル、または、生徒モデルの初期モデル)
出力:出力確率分布（出力確率p2(j)の分布）
　出力確率分布計算部１０１は、学習用の音響信号から得られる特徴量Oと生徒モデルとを用いて、出力層の各ユニットの出力確率p2(j)の分布を含む出力確率分布を計算する（Ｓ２）。出力確率p2(j)の計算の方法は既存のいかなる技術を用いてもよく、利用環境等に合わせて最適なものを適宜選択すればよい。例えば、従来技術１の方法により求めることができる。その場合、まず、特徴量Oを生徒モデルに入力し、出力層のユニットjのロジットxjを求める（次式参照）。
Figure JPOXMLDOC01-appb-M000002
である。ただし、logistic()はロジスティック関数を表し、bjはユニットjのバイアスであり、iは下位の階層のユニットのインデックスを表し、wijは下位の階層のユニットiからユニットjへの接続に対する重みを表す。学習用の特徴量Oは入力層のユニットjの入力を求める際に用いられ、生徒モデルはbjやwij等を含む。
　次に、ロジットxjから出力確率p2(j)を求める（次式参照）
Figure JPOXMLDOC01-appb-M000003
　なお、音響モデル学習装置１００は、時間領域の学習用の音響信号を入力とし、図示しない周波数領域変換部、特徴量抽出部等を含んでもよい。例えば、図示しない周波数領域変換部は、時間領域の学習用の音響信号を周波数領域の信号に変換し、出力する。図示しない特徴量抽出部は、時間領域または周波数領域の学習用の音響信号から学習用の特徴量Oを抽出し、出力確率分布計算部１０１に出力する。特徴量としては、例えば、基本周波数、パワー、持続時間、フォルマント周波数、スペクトル、メル周波数ケプストラム係数（MFCC）などが考えられる。
＜教師出力確率分布計算部１０３＞
入力：学習用の特徴量O、教師モデル、温度T
出力:出力確率分布（出力確率p1(j)の分布）
　教師出力確率分布計算部１０３は、学習用の音響信号から得られる特徴量Oと教師モデルと温度Tとを用いて、出力層の各ユニットの出力確率p1(j)の分布を含む出力確率分布を計算する（Ｓ３）。出力確率p1(j)の計算の方法は既存のいかなる技術を用いてもよく、利用環境等に合わせて最適なものを適宜選択すればよい。例えば、従来技術２の方法により求めることができる。その場合、出力確率p1(j)は次式で表される。
Figure JPOXMLDOC01-appb-M000004
なお、ロジットxjの計算方法は出力確率分布計算部１０１と同じだが、教師出力確率分布計算部１０３では生徒モデルではなく教師モデルを用いる。なお、温度Tは事前設定される0より大きい実数値のパラメータであり、Tを大きく設定すればするほど出力確率p1(j)の分布は一様分布(無情報)に近づき、後述する生徒モデルの更新への影響度合いは小さくなる。なお、温度Tのことを平滑化パラメータTともいう。
＜修正モデル更新部１０２＞
入力:初期モデル、出力確率p1(j)の出力確率分布、出力確率p2(j)の出力確率分布、正解ユニット番号jL、重みα
出力:学習中の音響モデル(生徒モデル)または学習済みの音響モデル
　修正モデル更新部１０２は、(学習用の特徴量に対応する)学習用の音響信号に対応する正解ユニット番号jLと出力確率p2(j)とから損失関数C2を計算する(式(6)参照)。
Figure JPOXMLDOC01-appb-M000005
ただし、djはjと正解ユニット番号jLとが一致する場合には1となり、一致しない場合には0となる値である。
　次に、修正モデル更新部１０２は、出力確率p1(j)の出力確率分布と出力確率p2(j)の出力確率分布とのクロスエントロピーC1(出力確率p1(j)と出力確率p2(j)の対数の積の総和)を計算する（式(7)参照）。
Figure JPOXMLDOC01-appb-M000006
　さらに、修正モデル更新部１０２は、損失関数C2とクロスエントロピーC1との重み付き和Cを求める(式(8)参照)。
C=(1-α)C2+αC1(8)
なお、重みαは、事前に設定される0以上1以下のパラメータである。
　最後に、修正モデル更新部１０２は、重み付き和Cが減少するように生徒モデルのパラメータを更新する(Ｓ４)。
　所定の条件を満たすまで、上述のＳ２～Ｓ４を繰り返し（Ｓ５）、所定の条件を満たす場合には、その時点の生徒モデルを学習済みの音響モデルとして出力する。
　所定の条件としては、例えば、(i)繰り返し回数が一定数(例えば数千万～数億)を超えたとき、(ii)更新量が所定の値よりも小さくなったとき、例えば、(ii-a)全てのパラメータの更新量の総和が所定の値よりも小さくなったとき、(ii-b)各パラメータの全て、または、一部の更新量がそれぞれ設定された所定の値よりも小さくなったとき、等が考えられる。
＜効果＞
　本実施形態で作成した音響モデルを用いることで、従来技術よりも高い精度で音声認識を行うことが可能となり、音声認識システム利用者にとっての利便性が向上する。また、従来技術よりも少ない学習データで音響モデルを作成できる。そのため、音声認識システム開発時に必要となる学習データの量を削減することができ、また、音響モデルの学習にかかる時間を短くすることができる。これにより、音声認識システム開発時の学習データ作成コスト、音響モデル作成コストを低減することができる。
＜変形例＞
　本実施形態では、教師出力確率分布計算部１０３において、温度Tを入力としているが、必ずしも温度Tを用いなくともよい。例えば、温度Tを用いずに従来技術１の方法により求めることができる。ただし、教師出力確率分布計算部１０３ではxjを求める際に生徒モデルではなく教師モデルを用いる。
＜第二実施形態のポイント＞
　第一実施形態と異なる部分を中心に説明する。
　従来技術２では、学習データのうち、教師モデルが正しく認識できないデータが学習に悪影響を与えるという問題がある。従来技術２では教師モデルの動きを模倣するように生徒モデルが学習されるため、教師モデルが誤って認識するデータは生徒モデルも誤るように学習されてしまう。このような問題により、学習データが少ない場合に精度の高い音響モデルを作成することが困難となっている。
　本実施形態のポイントは、教師出力確率計算部で正解ユニット番号jLを考慮することにより、教師モデルの誤りの問題を軽減し、さらに精度の高い音響モデルを作成する点である。具体的には、教師出力確率分布と正解ユニット番号jLを照らし合わせることで教師モデルの誤りを検出し、誤っている場合に温度Tを上昇させる。これにより、教師モデルの誤りが生徒モデルに転移される影響を抑えることができる。
＜第二実施形態＞
　第一実施形態と異なる部分を中心に説明する。
　図５は第二実施形態に係る音響モデル学習装置の機能ブロック図を、図６はその処理フローを示す。
　音響モデル学習装置２００は、出力確率分布計算部１０１、修正モデル更新部１０２、温度調整付き教師出力確率分布計算部２０３、初期値設定部１０４とを含む。第一実施形態との主な相違点は、教師出力確率分布計算部１０３が温度調整付き教師出力確率分布計算部２０３に置き換えられている点である。
＜温度調整付き教師出力確率分布計算部２０３＞
入力：特徴量O、教師モデル、正解ユニット番号jL、温度T、温度調整幅ΔT
出力:出力確率分布（出力確率p1(j)の分布）
　教師出力確率分布計算部２０３は、学習用の音響信号から得られる特徴量Oと教師モデルと温度Tと温度調整幅ΔTとを用いて、出力層の各ユニットの出力確率p1(j)の分布を含む出力確率分布を計算する（Ｓ１３）。
　例えば、教師出力確率分布計算部２０３は、入力された特徴量Oを教師モデルに入力し、式(2)のロジットxjを計算する。
　次に、教師出力確率分布計算部２０３は、最もロジットxjの値の大きい出力ユニット番号Kを特定する。
Figure JPOXMLDOC01-appb-M000007
　さらに、教師出力確率分布計算部２０３は、Kが正解ユニット番号jLと等しいか否かを判定する。Kが正解ユニット番号jLと等しい場合は、温度Tをそのまま用いて次の式(12)により出力確率p1(j)の分布を計算し、出力する。Kが正解ユニット番号jLと異なる場合は、温度TをT+ΔTに置き換えた上で次の式(12)により出力確率p1(j)の分布を計算し、出力する。
Figure JPOXMLDOC01-appb-M000008
＜効果＞
　前述の通り、式(12)の出力確率p1(j)の分布は、温度Tを大きくすればするほど一様分布（無情報）に近づき、生徒モデルの更新への影響度合いが小さくなる。そのため、このような処理により、教師モデルが誤っている（Kが正解ユニット番号jLと異なる）場合に、その誤りが学習に与える悪影響を抑えることが可能となる。
　なお、温度調整幅ΔTは事前に設定するパラメータであり、例えばΔT=5～10程度の値に設定する。
＜変形例＞
　初期値設定部１０４を含まない構成としてもよい。この場合、音響モデル学習装置２００は、出力確率分布計算部１０１、修正モデル更新部１０２、温度調整付き教師出力確率分布計算部２０３とを含む。
　図７は第二実施形態の変形例に係る音響モデル学習装置の機能ブロック図を、図８はその処理フローを示す。
　第二実施形態との主な相違点は、初期値設定部１０４を含まない点である。また、本変形例では教師モデルと生徒モデルとが同じ構造のニューラルネットワークに限定されていない。つまり、第二実施形態の温度調整付き教師出力確率分布計算部２０３において用いられる教師モデルに含まれるニューラルネットワークと、本変形例の教師モデルに含まれるニューラルネットワークとは異なる構造であってもよい。なお、出力確率分布計算部１０１及び修正モデル更新部１０２では、初期モデルとして、従来技術同様、各パラメータに乱数を割り当てたニューラルネットワークや、既に別の学習データで学習済みのニューラルネットワークなどが利用できる。例えば、このとき利用する学習済みのニューラルネットワークは、生徒モデルに含まれるニューラルネットワークと同じ構造をもつ。
　このような構成によっても、教師モデルの誤りの問題を軽減し、精度の高い音響モデルを作成することができる。
＜第三実施形態のポイント＞
　第二実施形態と異なる部分を中心に説明する。
　本実施形態では、第二実施形態で説明した問題（教師モデルの誤りの問題）を解決するために、例えば、出力確率p1(j)の分布と正解ユニット番号jLとを照らし合わせることで教師モデルの誤りを検出し、誤っている場合に正解ユニット番号jLに対応するユニットの確率を上昇させる。これにより、教師モデルの誤りが生徒モデルに転移される影響を抑えることができる。
＜第三実施形態＞
　図９は第二実施形態に係る音響モデル学習装置の機能ブロック図を、図１０はその処理フローを示す。
　音響モデル学習装置３００は、出力確率分布計算部１０１、修正モデル更新部１０２、温度調整付き教師出力確率分布計算部２０３、初期値設定部１０４、教師出力確率分布補正部３０１を含む。第二実施形態との主な相違点は、教師出力確率分布補正部３０１が追加されている点である。なお、温度調整付き教師出力確率分布計算部２０３を、教師出力確率分布計算部１０３に置き換えた（第二実施形態のアイデアを使わない）構成も可能である。
＜教師出力確率分布補正部３０１＞
入力：出力確率p1(j)の分布、正解ユニット番号jL
出力：補正後の出力確率p3(j)の分布
　教師出力確率分布補正部３０１は、正解ユニット番号jLを用いて出力確率p1(j)の分布を補正し、補正後の出力確率p3(j)の分布を得る。
　教師出力確率分布補正部３０１は、出力確率p1(j)の分布を参照し、出力確率p1(j)が最大となる出力ユニット番号Kを特定する。
Figure JPOXMLDOC01-appb-M000009
なお、このKは温度調整付き教師出力確率分布計算部２０３の中で求めるKと同じ値になるため、温度調整付き教師出力確率分布計算部２０３がKを出力し、教師出力確率分布補正部３０１の入力としてもよい。ただし、温度調整付き教師出力確率分布計算部２０３を、教師出力確率分布計算部１０３に置き換えた構成とする場合には、式(21)等で出力確率p1(j)が最大となる出力ユニット番号Kを特定する必要がある。
　さらに、教師出力確率分布補正部３０１は、Kが正解ユニット番号jLと等しいか否かを判定する。Kが正解ユニット番号jLと等しい場合は、出力確率p1(j)の分布をそのまま補正後の出力確率p3(j)の分布として出力する。
　Kが正解ユニット番号jLと異なる場合は、出力確率p1(j)の分布のうち、K番目の出力ユニットの出力確率p1(K)と正解ユニット番号jLに対応する出力ユニットの出力確率p1(jL)を入れ替えた出力確率の分布を補正後の出力確率p3(j)の分布として作成し、出力する。
＜効果＞
　以上の処理により、補正後の出力確率の分布は、正解ユニット番号jLに対応する確率値が必ず最大となることが保証されるため、教師モデルである教師モデルの誤りが転移されてしまう問題を防ぐことができる。
＜変形例１＞
　第二実施形態の変形例と本実施形態とを組合せてもよい。つまり、初期値設定部１０４を含まない構成としてもよい。この場合、音響モデル学習装置３００は、出力確率分布計算部１０１、修正モデル更新部１０２、温度調整付き教師出力確率分布計算部２０３、教師出力確率分布補正部３０１とを含む。
　図１１は第三実施形態の変形例１に係る音響モデル学習装置の機能ブロック図を、図１２はその処理フローを示す。各部の処理については、第三実施形態、第二実施形態の変形例等で説明した通りである。
　このような構成によっても、教師モデルの誤りの問題を軽減し、精度の高い音響モデルを作成することができる。
＜変形例２＞
　変形例１において、温度調整付き教師出力確率分布計算部２０３に代えて、温度T、温度調整幅ΔTを用いない教師出力確率分布計算部３０３を用いてもよい。この場合、音響モデル学習装置３００は、出力確率分布計算部１０１、修正モデル更新部１０２、教師出力確率分布計算部３０３、教師出力確率分布補正部３０１とを含む。
　図１３は第三実施形態の変形例２に係る音響モデル学習装置の機能ブロック図を、図１４はその処理フローを示す。
　第三実施形態の変形例１との主な相違点は、教師出力確率分布計算部３０３において、温度を用いない点である。教師出力確率分布計算部３０３の処理は以下の通りである。
＜教師出力確率分布計算部３０３＞
入力：学習用の特徴量O、教師モデル
出力:出力確率分布（出力確率p1(j)の分布）
　教師出力確率分布計算部３０３は、学習用の音響信号から得られる特徴量Oと教師モデルとを用いて、出力層の各ユニットの出力確率p1(j)の分布を含む出力確率分布を計算する（Ｓ３３）。出力確率p1(j)の計算の方法は既存のいかなる技術を用いてもよく、利用環境等に合わせて最適なものを適宜選択すればよい。例えば、従来技術１の方法により求めることができる。その場合、出力確率p1(j)は次式で表される。
Figure JPOXMLDOC01-appb-M000010
　このような構成によっても、教師モデルの誤りの問題を軽減し、精度の高い音響モデルを作成することができる。
＜変形例３＞
　変形例１において、温度調整付き教師出力確率分布計算部２０３に代えて、温度調整幅ΔTを用いない教師出力確率分布計算部１０３を用いてもよい。この場合、音響モデル学習装置３００は、出力確率分布計算部１０１、修正モデル更新部１０２、教師出力確率分布計算部１０３、教師出力確率分布補正部３０１とを含む。
　図１５は第三実施形態の変形例３に係る音響モデル学習装置の機能ブロック図を、図１６はその処理フローを示す。
　第三実施形態の変形例２との主な相違点は、教師出力確率分布計算部１０３において、温度Tを用いる点である。ただし、第三実施形態とは異なり、温度調整幅ΔTを用いない。なお、教師出力確率分布計算部１０３の処理内容は第一実施形態で説明した通りである。
　このような構成によっても、教師モデルの誤りの問題を軽減し、精度の高い音響モデルを作成することができる。
＜その他の変形例＞
　本発明は上記の実施形態及び変形例に限定されるものではない。例えば、上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。
＜プログラム及び記録媒体＞
　また、上記の実施形態及び変形例で説明した各装置における各種の処理機能をコンピュータによって実現してもよい。その場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記各装置における各種の処理機能がコンピュータ上で実現される。
　この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。
　また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ－ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させてもよい。
　このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶部に格納する。そして、処理の実行時、このコンピュータは、自己の記憶部に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実施形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよい。さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、プログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。
　また、コンピュータ上で所定のプログラムを実行させることにより、各装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

Claims (8)

  1. 　学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算部と、
    　前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとは異なる、ニューラルネットワークを含む第二音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第二出力確率分布を計算する第二出力確率分布計算部と、
    　前記学習用の音響信号に対応する正解ユニット番号と前記第二出力確率分布とから第二損失関数を計算し、前記第一出力確率分布と前記第二出力確率分布とのクロスエントロピーを計算し、前記第二損失関数と前記クロスエントロピーとの重み付き和を求め、前記重み付き和が減少するように前記第二音響モデルのパラメータを更新する修正モデル更新部とを含み、
    　前記第一出力確率分布計算部は、0より大きい実数値からなる平滑化パラメータを入力とし、平滑化パラメータが大きいほど一様分布に近づくように前記第一出力確率分布を求めるものとし、前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとを用いて、出力層の各ユニットのロジットを求め、最もロジットの値の大きい出力ユニット番号と前記正解ユニット番号とが異なる場合には、一致する場合よりも前記平滑化パラメータの値を大きくして前記第一出力確率分布を計算する、
    　音響モデル学習装置。
  2. 　請求項１の音響モデル学習装置であって、
    　前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとを用いて、求められる出力層の各ユニットのロジットの中で、最もロジットの値の大きい出力ユニット番号と前記正解ユニット番号とが異なる場合には、前記第一出力確率分布のうち、最もロジットの値の大きい出力ユニット番号に対応する出力ユニットの出力確率と、前記正解ユニット番号に対応する出力ユニットの出力確率とを入れ替えた出力確率の分布を補正後の第一出力確率分布とする第一出力確率分布補正部を含み、
    　前記修正モデル更新部は、補正後の第一出力確率分布を用いる、
    　音響モデル学習装置。
  3. 　学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算部と、
    　前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとは異なる、ニューラルネットワークを含む第二音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第二出力確率分布を計算する第二出力確率分布計算部と、
    　前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとを用いて、求められる出力層の各ユニットのロジットの中で、最もロジットの値の大きい出力ユニット番号と前記正解ユニット番号とが異なる場合には、前記第一出力確率分布のうち、最もロジットの値の大きい出力ユニット番号に対応する出力ユニットの出力確率と、前記正解ユニット番号に対応する出力ユニットの出力確率とを入れ替えた出力確率の分布を補正後の第一出力確率分布とする第一出力確率分布補正部と、
    　前記学習用の音響信号に対応する正解ユニット番号と前記第二出力確率分布とから第二損失関数を計算し、補正後の前記第一出力確率分布と前記第二出力確率分布とのクロスエントロピーを計算し、前記第二損失関数と前記クロスエントロピーとの重み付き和を求め、前記重み付き和が減少するように前記第二音響モデルのパラメータを更新する修正モデル更新部とを含む、
    　音響モデル学習装置。
  4. 　請求項３の音響モデル学習装置であって、
    　前記第一出力確率分布計算部は、0より大きい実数値からなる平滑化パラメータを入力とし、平滑化パラメータが大きいほど一様分布に近づくように前記第一出力確率分布を求める、
    　音響モデル学習装置。
  5. 　請求項１から請求項４の何れかの音響モデル学習装置であって、
    　前記第一音響モデルと前記第二音響モデルとは同様の構造のニューラルネットワークを含み、前記第一音響モデルのパラメータを用いて、前記第二音響モデルのパラメータを設定する初期値設定部を含む、
    　音響モデル学習装置。
  6. 　学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算ステップと、
    　前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとは異なる、ニューラルネットワークを含む第二音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第二出力確率分布を計算する第二出力確率分布計算ステップと、
    　前記学習用の音響信号に対応する正解ユニット番号と前記第二出力確率分布とから第二損失関数を計算し、前記第一出力確率分布と前記第二出力確率分布とのクロスエントロピーを計算し、前記第二損失関数と前記クロスエントロピーとの重み付き和を求め、前記重み付き和が減少するように前記第二音響モデルのパラメータを更新する修正モデル更新ステップとを含み、
    　前記第一出力確率分布計算ステップは、0より大きい実数値からなる平滑化パラメータを入力とし、平滑化パラメータが大きいほど一様分布に近づくように前記第一出力確率分布を求めるものとし、前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとを用いて、出力層の各ユニットのロジットを求め、最もロジットの値の大きい出力ユニット番号と前記正解ユニット番号とが異なる場合には、一致する場合よりも前記平滑化パラメータの値を大きくして前記第一出力確率分布を計算する、
    　音響モデル学習方法。
  7. 　学習用の音響信号から得られる特徴量と、学習済みの、ニューラルネットワークを含む第一音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第一出力確率分布を計算する第一出力確率分布計算ステップと、
    　前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとは異なる、ニューラルネットワークを含む第二音響モデルとを用いて、出力層の各ユニットの出力確率の分布を含む第二出力確率分布を計算する第二出力確率分布計算ステップと、
    　前記学習用の音響信号から得られる特徴量と、前記第一音響モデルとを用いて、求められる出力層の各ユニットのロジットの中で、最もロジットの値の大きい出力ユニット番号と前記正解ユニット番号とが異なる場合には、前記第一出力確率分布のうち、最もロジットの値の大きい出力ユニット番号に対応する出力ユニットの出力確率と、前記正解ユニット番号に対応する出力ユニットの出力確率とを入れ替えた出力確率の分布を補正後の第一出力確率分布とする第一出力確率分布補正ステップと、
    　前記学習用の音響信号に対応する正解ユニット番号と前記第二出力確率分布とから第二損失関数を計算し、補正後の前記第一出力確率分布と前記第二出力確率分布とのクロスエントロピーを計算し、前記第二損失関数と前記クロスエントロピーとの重み付き和を求め、前記重み付き和が減少するように前記第二音響モデルのパラメータを更新する修正モデル更新ステップとを含む、
    　音響モデル学習方法。
  8. 　請求項１から請求項５の何れかの音響モデル学習装置としてコンピュータを機能させるためのプログラム。
PCT/JP2017/034942 2016-09-30 2017-09-27 音響モデル学習装置、その方法、及びプログラム WO2018062265A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/337,081 US10950225B2 (en) 2016-09-30 2017-09-27 Acoustic model learning apparatus, method of the same and program
JP2018542640A JP6712644B2 (ja) 2016-09-30 2017-09-27 音響モデル学習装置、その方法、及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016193533 2016-09-30
JP2016-193533 2016-09-30

Publications (1)

Publication Number Publication Date
WO2018062265A1 true WO2018062265A1 (ja) 2018-04-05

Family

ID=61763449

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/034942 WO2018062265A1 (ja) 2016-09-30 2017-09-27 音響モデル学習装置、その方法、及びプログラム

Country Status (3)

Country Link
US (1) US10950225B2 (ja)
JP (1) JP6712644B2 (ja)
WO (1) WO2018062265A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020024633A (ja) * 2018-08-08 2020-02-13 株式会社デンソー 訓練データ評価装置、訓練データ評価方法、およびプログラム
WO2020214259A1 (en) * 2019-04-16 2020-10-22 Microsoft Technology Licensing, Llc Conditional teacher-student learning for model training
JPWO2019220609A1 (ja) * 2018-05-18 2021-06-10 日本電気株式会社 異常検出装置、異常検出方法及びプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018062265A1 (ja) * 2016-09-30 2018-04-05 日本電信電話株式会社 音響モデル学習装置、その方法、及びプログラム
JP6984068B2 (ja) * 2018-07-13 2021-12-17 グーグル エルエルシーGoogle LLC エンドツーエンドストリーミングキーワードスポッティング
US20220292345A1 (en) * 2021-03-12 2022-09-15 Nec Corporation Distributionally robust model training

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161995A1 (en) * 2013-12-06 2015-06-11 Nuance Communications, Inc. Learning front-end speech recognition parameters within neural network training
WO2016167779A1 (en) * 2015-04-16 2016-10-20 Mitsubishi Electric Corporation Speech recognition device and rescoring device
US20170011738A1 (en) * 2015-07-09 2017-01-12 Google Inc. Generating acoustic models

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9665823B2 (en) * 2013-12-06 2017-05-30 International Business Machines Corporation Method and system for joint training of hybrid neural networks for acoustic modeling in automatic speech recognition
US10515301B2 (en) * 2015-04-17 2019-12-24 Microsoft Technology Licensing, Llc Small-footprint deep neural network
US10529318B2 (en) * 2015-07-31 2020-01-07 International Business Machines Corporation Implementing a classification model for recognition processing
US11443169B2 (en) * 2016-02-19 2022-09-13 International Business Machines Corporation Adaptation of model for recognition processing
WO2018051841A1 (ja) * 2016-09-16 2018-03-22 日本電信電話株式会社 モデル学習装置、その方法、及びプログラム
WO2018062265A1 (ja) * 2016-09-30 2018-04-05 日本電信電話株式会社 音響モデル学習装置、その方法、及びプログラム
US11487997B2 (en) * 2018-10-04 2022-11-01 Visa International Service Association Method, system, and computer program product for local approximation of a predictive model

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161995A1 (en) * 2013-12-06 2015-06-11 Nuance Communications, Inc. Learning front-end speech recognition parameters within neural network training
WO2016167779A1 (en) * 2015-04-16 2016-10-20 Mitsubishi Electric Corporation Speech recognition device and rescoring device
US20170011738A1 (en) * 2015-07-09 2017-01-12 Google Inc. Generating acoustic models

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CUI, YIXIN ET AL.: "Extreme learning machine based on cross entoropy", MACHINE LEARNING AND CYBERNETICS, 13 June 2016 (2016-06-13), pages 1066 - 1071, XP033073942 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2019220609A1 (ja) * 2018-05-18 2021-06-10 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
JP7014295B2 (ja) 2018-05-18 2022-02-01 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
US11715284B2 (en) 2018-05-18 2023-08-01 Nec Corporation Anomaly detection apparatus, anomaly detection method, and program
JP2020024633A (ja) * 2018-08-08 2020-02-13 株式会社デンソー 訓練データ評価装置、訓練データ評価方法、およびプログラム
JP7176285B2 (ja) 2018-08-08 2022-11-22 株式会社デンソー 訓練データ評価装置、訓練データ評価方法、およびプログラム
WO2020214259A1 (en) * 2019-04-16 2020-10-22 Microsoft Technology Licensing, Llc Conditional teacher-student learning for model training
US11586930B2 (en) 2019-04-16 2023-02-21 Microsoft Technology Licensing, Llc Conditional teacher-student learning for model training

Also Published As

Publication number Publication date
US20200035223A1 (en) 2020-01-30
JPWO2018062265A1 (ja) 2019-07-25
JP6712644B2 (ja) 2020-06-24
US10950225B2 (en) 2021-03-16

Similar Documents

Publication Publication Date Title
JP6712642B2 (ja) モデル学習装置、その方法、及びプログラム
WO2018062265A1 (ja) 音響モデル学習装置、その方法、及びプログラム
US11264044B2 (en) Acoustic model training method, speech recognition method, acoustic model training apparatus, speech recognition apparatus, acoustic model training program, and speech recognition program
WO2021041133A1 (en) Resource constrained neural network architecture search
US11380301B2 (en) Learning apparatus, speech recognition rank estimating apparatus, methods thereof, and program
CN108701253A (zh) 使用规范化的目标输出训练神经网络
US11954594B1 (en) Training recurrent neural networks to generate sequences
KR20180107940A (ko) 음성 인식을 위한 학습 방법 및 장치
CN110275928B (zh) 迭代式实体关系抽取方法
JP6827911B2 (ja) 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム
CN112084301B (zh) 文本修正模型的训练方法及装置、文本修正方法及装置
Vaněk et al. A regularization post layer: An additional way how to make deep neural networks robust
US20210224642A1 (en) Model learning apparatus, method and program
JP6962123B2 (ja) ラベル推定装置及びラベル推定プログラム
JP7095747B2 (ja) 音響モデル学習装置、モデル学習装置、それらの方法、およびプログラム
JP2019095599A (ja) 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム
JP7212596B2 (ja) 学習装置、学習方法および学習プログラム
WO2019194128A1 (ja) モデル学習装置、モデル学習方法、プログラム
WO2019235191A1 (ja) モデル学習装置、方法及びプログラム
US20220207431A1 (en) System and method for training student friendly teacher model and student model
CN112364990B (zh) 通过元学习实现语法改错少样本领域适应的方法及系统
JP6588933B2 (ja) 言語モデル構築装置、その方法、及びプログラム
WO2023105596A1 (ja) 言語処理装置、画像処理方法、及びプログラム
WO2022123742A1 (ja) 話者ダイアライゼーション方法、話者ダイアライゼーション装置および話者ダイアライゼーションプログラム
CN118036757A (zh) 大语言模型训练方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17856214

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018542640

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17856214

Country of ref document: EP

Kind code of ref document: A1