A study of different weighting schemes for spoken language understanding based on convolutional neural networks
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F16%3A43929967" target="_blank" >RIV/49777513:23520/16:43929967 - isvavai.cz</a>
Výsledek na webu
<a href="http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7472842" target="_blank" >http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7472842</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICASSP.2016.7472842" target="_blank" >10.1109/ICASSP.2016.7472842</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A study of different weighting schemes for spoken language understanding based on convolutional neural networks
Popis výsledku v původním jazyce
This paper describes the development of a stateless spoken spoken language understanding (SLU) module based on artificial neural networks that is able to deal with the uncertainty of the automatic speech recognition (ASR) output. The work builds upon the concept of weighted neurons introduced by the authors previously and presents a generalized weighting term for such a neuron. The effect of different forms and parameter estimation methods of the weighting term is experimentally evaluated on the multi-task training corpus, created by merging two different semantically annotated corpora. The robustness of the best performing weighting schemes is then demonstrated by experiments involving hybrid word-semantic (WSE) lattices and also limited data scenario.
Název v anglickém jazyce
A study of different weighting schemes for spoken language understanding based on convolutional neural networks
Popis výsledku anglicky
This paper describes the development of a stateless spoken spoken language understanding (SLU) module based on artificial neural networks that is able to deal with the uncertainty of the automatic speech recognition (ASR) output. The work builds upon the concept of weighted neurons introduced by the authors previously and presents a generalized weighting term for such a neuron. The effect of different forms and parameter estimation methods of the weighting term is experimentally evaluated on the multi-task training corpus, created by merging two different semantically annotated corpora. The robustness of the best performing weighting schemes is then demonstrated by experiments involving hybrid word-semantic (WSE) lattices and also limited data scenario.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2016 IEEE International Conference on Acoustics, Speech, and Signal Processing Proceedings
ISBN
978-1-4799-9988-0
ISSN
2379-190X
e-ISSN
—
Počet stran výsledku
5
Strana od-do
6065-6069
Název nakladatele
IEEE Signal Processing Society
Místo vydání
New York
Místo konání akce
Shanghai, China
Datum konání akce
20. 5. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000388373406044