Στατιστικές μέθοδοι για συστήματα φωνητικού διαλόγου

Georgiadou Despoina

URI	http://purl.tuc.gr/dl/dias/4190BB31-6107-4D32-8158-3471C4E3E01A	-
Αναγνωριστικό	https://doi.org/10.26233/heallink.tuc.69009	-
Γλώσσα	en	-
Μέγεθος	86 pages	en
Τίτλος	Στατιστικές μέθοδοι για συστήματα φωνητικού διαλόγου	el
Τίτλος	Statistical methods for dialogue systems	en
Δημιουργός	Georgiadou Despoina	en
Δημιουργός	Γεωργιαδου Δεσποινα	el
Συντελεστής [Επιβλέπων Καθηγητής]	Digalakis Vasilis	en
Συντελεστής [Επιβλέπων Καθηγητής]	Διγαλακης Βασιλης	el
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Lagoudakis Michael	en
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Λαγουδακης Μιχαηλ	el
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Diakoloukas Vasilis	en
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]	Διακολουκας Βασιλeioς	el
Ακαδημαϊκή Μονάδα	Πολυτεχνείο Κρήτης: Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Περίληψη	Η αυτόματη κατανόηση της ομιλίας περιλαμβάνει μια σειρά από διαδικασίες. Ανάμεσα τους μία από τις κυριότερες και πιο δύσκολες είναι η εξαγωγή σημαντικής πληροφορίας (slot-filling). Τα τελευταία χρόνια, οι καλύτερες προσεγγίσεις σε αυτόν τον τομέα βασίζονται σε νευρωνικά δίκτυα με ανατροφοδότηση (RNNs). Ωστόσο, όταν χρησιμοποιούνται στην απλούστερη μορφή τους τα RNNs, δεν μπορούν να μάθουν αποδοτικά τις εξαρτήσεις που υπάρχουν σε μεγάλες χρονικά αποστάσεις στα δεδομένα. Σε αυτή την εργασία, προτείνουμε τη χρήση αρχιτεκτονικών ClockWork νευρωνικών δικτύων με ανατροφοδότηση (CW-RNN) για τη διαδικασία του slot-filling. Το CW-RNN είναι μια παραλλαγή της αρχιτεκτονικής RNN στην οποία εφαρμόζονται πολλαπλοί χρονισμοί στην ανατροφοδότηση συγκεκριμένων ομάδων από νευρώνες. Η αρχιτεκτονική CW-RNN έχει αποδειχθεί ότι είναι πολύ αποδοτική παρότι διατηρεί σχετικά μικρή πολυπλοκότητα. Επιπλέον, το CW-RNN έχει εγγενώς πολύ μεγαλύτερη ικανότητα να μοντελοποιεί εξαρτήσεις σε χρονικά μεγάλες αποστάσεις. Για τα πειράματά μας με την αρχιτεκτονική CW-RNN επιλέξαμε τα δεδομένα αναφοράς από το Air Travel Information System (ATIS). Παράλληλα προτείνουμε αρκετές καινοτόμες εκδοχές του CW-RNN και διαπιστώνουμε ότι υπερτερούν σημαντικά των απλών RNN αφού επιτυγχάνουν σημαντικά καλύτερα αποτελέσματα, διατηρώντας ταυτόχρονα μικρότερη πολυπλοκότητα.	el
Περίληψη	A prevalent and challenging task in spoken language understanding is slot filling. Currently, the best approaches in this domain are based on recurrent neural networks (RNNs). However, in their simplest form, RNNs cannot learn long-term dependencies in the data. In this work, we propose the use of ClockWork recurrent neural network (CW-RNN) architectures in the slot-filling domain. CW-RNN is a multi-timescale implementation of the simple RNN rchitecture, which has proven to be powerful since it maintains relatively small model complexity. In addition, CW-RNN exhibits a great ability to model long-term memory inherently. In our experiments on the ATIS benchmark data set, we also evaluate several novel variants of CW-RNN and we find that they significantly outperform simple RNNs and they achieve results among the state-of- the-art, while retaining smaller complexity.	en
Τύπος	Μεταπτυχιακή Διατριβή	el
Τύπος	Master Thesis	en
Άδεια Χρήσης	http://creativecommons.org/licenses/by-nc-nd/4.0/	en
Ημερομηνία	2017-07-28	-
Ημερομηνία Δημοσίευσης	2017	-
Θεματική Κατηγορία	Αrtificial neural networks	el
Θεματική Κατηγορία	Τεχνητά νευρωνικά δίκτυα	el
Βιβλιογραφική Αναφορά	Despoina Georgiadou, "Statistical methods for dialogue systems", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2017	el
Βιβλιογραφική Αναφορά	Δέσποινα Γεωργιάδου, "Στατιστικές μέθοδοι για συστήματα φωνητικού διαλόγου ", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2017	el

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Στατιστικές μέθοδοι για συστήματα φωνητικού διαλόγου

Georgiadou Despoina

Διαθέσιμα αρχεία

Υπηρεσίες

Εξαγωγή

Κοινοποίηση

Στατιστικά

Μεταδεδομένων & Περιεχομένου σε METS:

Μεταδεδομένων σε Μορφότυπο: