مهندسی الگوریتم ها و محاسبات، هوش مصنوعی، مهندسی نرم افزار، هوش ماشین و رباتیک و مدیریت سیستم های اطلاعات
مجله
روش قطعی و آماری در یادگیری ماشین
دانشگاه
موسسه تحقیقات IDIAP، سوئیس
۰.۰(بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
مقدمه
برخی از کاربرد ها
نماد ها و مدل ها
چالش ها
کنترل ناهمگامی
HMM ناهمزمان
تشخیص گفتار صوتی تصویری
روش لایه ای
یک روش دو لایه ای
روش HMM چند لایه ای کلی
نتیجه گیری
نمونه چکیده متن اصلی انگلیسی
Abstract. This paper summarizes some of the current research challenges arising from multi-channel sequence processing. Indeed, multiple real life applications involve simultaneous recording and analysis of multiple information sources, which may be asynchronous, have different frame rates, exhibit different stationarity properties, and carry complementary (or correlated) information. Some of these problems can already be tackled by one of the many statistical approaches towards sequence modeling. However, several challenging research issues are still open, such as taking into account asynchrony and correlation between several feature streams, or handling the underlying growing complexity. In this framework, we discuss here two novel approaches, which recently started to be investigated with success in the context of large multimodal problems. These include the asynchronous HMM, providing a principled approach towards the processing of multiple feature streams, and the layered HMM approach, providing a good formalism for decomposing large and complex (multi-stream) problems into layered architectures. As briefly reported here, combination of these two approaches yielded successful results on several multi-channel tasks, ranging from audio-visual speech recognition to automatic meeting analysis.
نمونه چکیده ترجمه متن فارسی
چکیده
در این مقاله ، برخی از چالش های پژوهش حاضر که ناشی از پردازش توالی چند کانال می باشند ، به طور خلاصه بیان شده اند. در واقع، کاربرد های متعدد در زندگی واقعی شامل ثبت و تجزیه و تحلیل هم زمان منابع اطلاعاتی می شوند ، که ناهمگام هستند ، دارای چاچوب های مختلف می باشند ، ویژگی های ثابت مختلفی از خود نشان می دهند و همراه با اطلاعات مکمل (یا مرتبط) می باشند. برخی از این مسائل می توانند با یکی از روش های آماری در جهت مدل سازی توالی ، حل شوند. با این حال ، چندین مسئله ی پژوهشی چالش برانگیز هنوز به صورت حل نشده باقی مانده اند ، از جمله در نظر گرفتن ناهمگامی و ارتباط میان مشخصه ، یا کنترل پیچیدگی رو به رشد. در این چارچوب ، به بحث و بررسی دو روش جدید می پردازیم ، که اخیرا با موفقیت در زمینه ی مشکلات چند شرطی مورد بررسی قرار گرفته اند. این مسائل شامل HMM ناهمگام ، ارائه ی یک رویکرد اصولی در جهت پردازش ویژگی های متعدد ، و روش لایه ای HMM می شوند. همان طور که در این جا به طور خلاصه گفته شد ، ترکیب این دو روش موجب دستیابی به نتایج موفقیت آمیز در رابطه با عملکرد های چندکانالی از جمله تشخیص گفتار صوتی-تصویری و تجزیه و تحلیل خودکار نشست ها می شوند.