Improved decision trees for phonetic modeling
Notice bibliographique
Résumé
Bahl et al. (see ICASSP-91, vol.1, p.185-188, 1991) employed decision trees to specify the acoustic realization of a phone as a function of its context. By using a computationally cheap Poisson-based evaluation function, they were able to account for a much wider context than previous researchers (five preceding and five following phones). We extend this work in four ways. (1) We employ the Poisson criterion to find quickly the M best questions at a node during tree expansion, then use an HMM-based MLE criterion to make the final choice from these (and for pruning trees). (2) Bahl et al. use stopping criteria to halt the growth of a tree, which is then used for speech recognition. It is preferable to grow an over-large tree and then prune it; we apply the efficient GRD expansion-pruning algorithm of Gelfand et al. (see IEEE Trans. PAMI, vol.13, no.2, p.163-174, 1991) to the phonetic modeling problem. (3) Like Bahl et al., we allow questions about a large number of preceding and following phones. However, a given search algorithm may make some of these questions difficult to answer. In addition to the "yes" and "no" children of each question, we grow a "don't know" subtree to be used if a question is unanswerable at present. (4) We have experimented with questions based on phonetic features, as well as questions that ask about the presence of specific phones. Our approach permits an arbitrary feature schema to be read in and used in question generation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».