Detail publikace
Using Smoothed Heteroscedastic Linear Discriminant Analysis in Large Vocabulary Continuous Speech Recognition System
Burget Lukáš, doc. Ing., Ph.D. (UPGM)
Černocký Jan, prof. Dr. Ing. (UPGM)
speech recognition, LVCSR, HLDA, feature transform, dimensionality reduction
HLDA je však počítána za statistik které nemusí byt spolehlivě odhadnuty díky nedostatečnému množství trénovacích dat. Smoothed HLDA byla nedávno navrhnuta jako robustní verze HLDA a úspěšne použita pro kombinaci parametrů. V této práci dokazujeme že SHLDA může byt použita i v systémech pro LVCSR.
Heteroscedastická Linearně diskriminantní analysa (HLDA) se stává populární pro dekorelaci parametrů a redukci dimensí. HLDA je však počítána za statistik které nemusí byt spolehlivě odhadnuty díky nedostatečnému množství trénovacích dat. Smoothed HLDA byla nedávno navrhnuta jako robustní verze HLDA a úspěšne použita pro kombinaci parametrů. V této práci dokazujeme že SHLDA může byt použita i v systémech pro LVCSR.
@inproceedings{BUT18264,
author="Martin {Karafiát} and Lukáš {Burget} and Jan {Černocký}",
title="Using Smoothed Heteroscedastic Linear Discriminant Analysis in Large Vocabulary Continuous Speech Recognition System",
booktitle="2nd Joint Workshop on Multimodal Interaction and Related Machine Learning Algorithms",
year="2005",
series="tento článek nebyl zařazen mezi Revised Selected Papers, nevyšel v LNCS 3869",
pages="1--8",
publisher="University of Edinburgh",
address="Edinbourgh, Scotland",
url="https://www.fit.vutbr.cz/~karafiat/publi/2005/karafiat_mlmi2005.pdf"
}