استفاده از استقلال شرطی برای انتخاب وظیفه کمکی در یادگیری بازنمایی صوت به صورت خود نظارتی
- سال انتشار: 1404
- محل انتشار: دوازدهمین کنفرانس بین المللی علوم، مهندسی، تکنولوژی و کسب و کارهای فناورانه
- کد COI اختصاصی: SETT12_001
- زبان مقاله: فارسی
- تعداد مشاهده: 52
نویسندگان
دانشجوی دکتری مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز، دانشگاه صنعتی امیرکبیر
چکیده
یادگیری خودنظارتی با بهره گیری از داده های بدون برچسب و از طریق حل وظایف کمکی، قادر به استخراج ویژگی های نهفته ارزشمندی است که می توانند جایگزین ویژگی های مرسوم در وظایف اصلی شوند. در این پارادایم، معمولا مدل ها با استفاده از شبه برچسب های استخراج شده از خود داده ها آموزش می بینند. این رویکرد به ویژه در پردازش گفتار کاربرد دارد، جایی که می توان از ویژگی های مختلف پردازش سیگنال به عنوان شبه برچسب های معنادار استفاده کرد. با این وجود، فرآیند انتخاب این شبه برچسب ها (نه تنها در گفتار بلکه در سایر انواع داده ها) هنوز به صورت نظام مند مورد مطالعه قرار نگرفته و انتخاب آن ها عمدتا مبتنی بر ارزیابی نتایج نهایی در وظیفه اصلی است. این روش به دلیل هزینه های محاسباتی سنگین، در مقیاس های بزرگ قابل توجیه نیست. در این مقاله، چارچوبی نظری-عملی برای انتخاب بهینه شبه برچسب ها متناسب با وظیفه اصلی ارائه می شود. در این مقاله با تکیه بر نظریه استقلال شرطی، روشی برای تخمین سودمندی شبه برچسب ها پیشنهاد شده که بدون نیاز به فرآیند آموزش عمل می کند. آزمایش های انجام شده در حوزه های تشخیص گوینده و بازشناسی گفتار خودکار، همبستگی معناداری بین نتایج به دست آمده از روش پیشنهادی و عملکرد واقعی مدل در وظیفه اصلی را نشان می دهند. این دستاورد، شناسایی شبه برچسب های موثر برای یادگیری بازنمایی های گفتاری در چارچوب خودنظارتی را به طور چشمگیری تسهیل می کند.کلیدواژه ها
یادگیری خودنظارتی, استقلال شرطی, یادگیری بازنمایی صوتمقالات مرتبط جدید
- کاربرد شبکه های عصبی گراف در شبکه های هوشمند برق: یک مرور جامع بر تشخیص و پیش بینی خطا
- Enhanced Residual Attention CNN with Squeeze-and-Excitation Blocks for Brain Tumor MRI Classification
- ارزیابی روشهای تعبیهی گره برای تشخیص جوامع ساختاری در شبکه های فاقد ویژگی
- بهبود رمزگشای استاندارد JPEG AI در نرخ بیت پایین با استفاده از فیلتر عصبی E-Net
- طبقه بندی بهینه اهداف سونار از طریق همجوشی تصمیم گیری پیشرفته مبتنی بر اتوماتای یادگیر فازی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.