On the Influence of the Number of Anomalous and Normal Examples in Anomaly-Based Annotation Errors Detection

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F16%3A43929880" target="_blank" >RIV/49777513:23520/16:43929880 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007%2F978-3-319-45510-5_37" target="_blank" >http://link.springer.com/chapter/10.1007%2F978-3-319-45510-5_37</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-45510-5_37" target="_blank" >10.1007/978-3-319-45510-5_37</a>

Jazyk výsledku

angličtina

Název v původním jazyce

On the Influence of the Number of Anomalous and Normal Examples in Anomaly-Based Annotation Errors Detection

Popis výsledku v původním jazyce

Anomaly detection techniques were shown to help in detecting word-level annotation errors in read-speech corpora for text-to-speech synthesis. In this framework, correctly annotated words are considered as normal examples on which the detection methods are trained. Misannotated words are then taken as anomalous examples which do not conform to normal patterns of the trained detection models. As it could be hard to collect a sufficient number of examples to train and optimize an anomaly detector, in this paper we investigate the influence of the number of anomalous and normal examples on the detection accuracy of several anomaly detection models: Gaussian distribution based models, one-class support vector machines, and Grubbs’ test based model. Our experiments show that the number of examples can be significantly reduced without a large drop in detection accuracy.

Název v anglickém jazyce

On the Influence of the Number of Anomalous and Normal Examples in Anomaly-Based Annotation Errors Detection

Popis výsledku anglicky

Anomaly detection techniques were shown to help in detecting word-level annotation errors in read-speech corpora for text-to-speech synthesis. In this framework, correctly annotated words are considered as normal examples on which the detection methods are trained. Misannotated words are then taken as anomalous examples which do not conform to normal patterns of the trained detection models. As it could be hard to collect a sufficient number of examples to train and optimize an anomaly detector, in this paper we investigate the influence of the number of anomalous and normal examples on the detection accuracy of several anomaly detection models: Gaussian distribution based models, one-class support vector machines, and Grubbs’ test based model. Our experiments show that the number of examples can be significantly reduced without a large drop in detection accuracy.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/GA16-04420S" target="_blank" >GA16-04420S: Kombinované využití fonetických a korpusově založených postupů při odstraňování rušivých jevů v řečové syntéze</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Text, Speech, and Dialogue 19th International Conference, TSD 2016, Brno , Czech Republic, September 12-16, 2016, Proceedings

ISBN

978-3-319-45509-9

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

9

Strana od-do

326-334

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Brno, Česká republika

Datum konání akce

12. 9. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000389707400037