최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기말소리와 음성과학 = Phonetics and speech sciences, v.8 no.2, 2016년, pp.23 - 30
송화전 (한국전자통신연구원) , 정호영 (한국전자통신연구원 음성처리연구실) , 박전규 (한국전자통신연구원 음성처리연구실)
This paper describes some implementation schemes of CNN in view of mini-batch DNN training for efficient second order optimization. This uses same procedure updating parameters of DNN to train parameters of CNN by simply arranging an input image as a sequence of local patches, which is actually equi...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
2차 최적화 방법으로 Natural Gradient에 기반한 방법의 장점은? | 널리 사용되는 2차 최적화 방법으로 Natural Gradient(NG) 에기반한 방법[9]이 있고 이에 대한 다양한 해석과 응용이 제안되었다. 특히 [10]에서 대용량 음성 데이터를 여러 서버로 분산하여 훈련할 때 보다 효과적인 훈련을 수행하기 위해 minibatch 단위로 근사적인 NG 방법을 적용하였으며, 분산 훈련에서도 상당한 안정적인 성능 향상을 보여 주었다. | |
DNN 기반 인식기의 성능을 향상시키기 위한 방법으로는? | 심층 신경망(Deep Neural Network; DNN)을 이용한 음향 모델이 거의 모든 음성인식기에 기본으로 사용되는 상황에서 DNN 기반 인식기의 성능을 향상시키기 위해 CNN (Convolutional Neural Network) 및 LSTM-RNN(Long Short-Term Memory-Recurrent Neural Network) 등의 적용이 활발하게 진행되고 있다[1][2]. | |
CNN의 구조의 특성은? | 본 논문에서 독자적으로 구현한 CNN 구현에 대한 기본 방향은 수식적인 측면에서는 [3]의 방식과 동일하지만 해석하고자 하는 측면은 완전히 다른 관점에서 접근한다. 즉, 컨벌루션 과정과 가중치 공유(weight sharing) 특성을 가지는 CNN의 구조가 일반적으로 minibatch 단위로 훈련을 수행하는 DNN과 동일하며, 이러한 접근법을 통해 기존에 개발한 DNN 학습 및 인식관련 모듈을 수정 없이 CNN을 훈련하고 인식하는데 사용하도록 하였다. 특히 CNN 모델 파라미터를 좀 더 효과적으로 추정하기 위한 2차 최적화 방법(second order optimization)도 minibatch 단위로 DNN 훈련을 위해 이미 개발한 것을 수정 없이 적용하도록 하였다. |
Abdel-Hamid, O., Mohamed, A., Jiang, H., Deng, L., Penn, G., & Yu, D. (2014). Convolutional neural networks for speech recognition. IEEE/ACM Transactions on Audio, Speech, And Language Processing, 22(10), 1533-1545.
Sak, H., Senior, A., & Beaufays, F. (2014). Long short-term recurrent neural network architectures for large scale acoustic modeling. Interspeech 2014 (pp. 338-342).
Chellapilla, K., Puri, S., & Simard, P. (2006). High performance convolutional neural networks for document processing. Proceedings of International Workshop on Frontiers in Handwriting Recognition.
Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S., & Darrell, T. (2014). Caffe: convolutional architecture for fast feature embedding. Proceedings of the 22nd ACM International Conference on Multimedia (pp. 675-678).
Chetlur, S., Woolley, C., Vandermersch, P., Cohen, J., & Tran, J. (2014). cuDNN: efficient primitives for deep learning. Retrieved from http://arxiv.org/abs/1410.0759 [Computing Research Repository] on April 15, 2016.
Ren, J. & Xu, L. (2015). On vectorization of deep convolutional neural networks for vision tasks, Proceedings of the 29th AAAI Conference on Artificial Intelligence (pp. 1840-1846).
Song, H. J., Jung, H. Y., & Park, J. G. (2015). A study of CNN training based on various filter structures and feature normalization methods. Proceedings 2015 International Conference on Speech Sciences (pp. 243-244).
Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
Amari, S. (1998). Natural gradient works efficiently in learning. Neural Computation, 10, 251-276.
Povey, D., Zhang, X., & Khudanpur, S. (2015). Parallel training of DNNs with natural gradient and parameter averaging. Proceedings of International Conference on Learning Representations 2015.
Song, H. J., Jung, H. Y., & Park, J. G. (2015). A study of DNN training based on various pretraining approaches. Proceedings of the 2015 Spring Conference of the Korean Society of Speech Sciences (pp. 169-170). (송화전.정호영.박전규 (2015). 다양한 Pretraining 방법에 따른 DNN 훈련 방법에 대한 고찰. 한국음성학회 2015 봄학술대회 논문집, 169-170.)
Rodrigo Benenson. (2013-2016). MNIST. Retrieved from http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html on Apil 15, 2016.
Google. (2015). Tensorflow. Retrieved from https://www.tensorflow.org/ on April 15, 2016.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.