Notice bibliographique
Résumé
Speech signals encode information across multiple, often overlapping, scales in time. I argue that, by designing acoustic models faithful to that multi-scale encoding, speech recognition accuracy can sometimes be improved. I do so by partitioning the acoustic model into a three-component pipeline and design interventions for each. In the first stage, feature extraction, the acoustic model transforms an audio signal into a filter-bank representation. We modify the traditional recipe, experimenting with different filters with better resolution in both frequency and scale. We also rearrange the spectral windowing equation to capture overlapping temporal information with higher resolution. With these modifications, we find significant gains in phone recognition performance on already-competitive models. For the second stage in which machine learning takes place, we propose a novel neural layer which is scale equivariant, similar to how a convolutional layer is shift equivariant. We pit those layers against one another in a phone recognition task and find that, although the former does outperform the latter, it uses twice the parameters to do so. When fixing the number of parameters, performance is commensurate between models. In the final stage, the acoustic model must transduce the learned representation into a transcription. We design a statistical framework for transducing time series events compatible with multi-scale phenomena by modelling event locations and types separately. Determining that marginalizing out locations as a latent variable would be combinatorically infeasible in its full generality, we propose either making simplifying assumptions until computation is tractable or performing stochastic estimation. We offer algorithms for stochastic estimation with nicer theoretical properties and better empirical performance (in terms of phone recognition) than some of the prior techniques we generalize.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
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 tête enseignante, 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 ».