HMM을 위한 선택적 학습방법을 이용한 화자인식

Abstract

HMM 모델 파라미터의 기존의 최대 유사도 추정(MLE: Maximum Likelihood Estimation) 방법은 주어진 모델에 대한 전체 학습 데이터의 확률값을 최대화시키는 게 초점을 두고 있다. 이는 학습과정동안 발생할 수 있는 모델들간의 상호작용을 무시하는 방법이다. 이러한 추정방법으로 얻은 모델 파라미터의 결과는 학습데이터 세트의 최소 에러 분류(minimum error classification)를 보장하지는 않는다. 새로운 선택적 학습 방법은 생성된 모델에 대한 학습 데이터의 outlier의 영향을 조절함으로써, 비슷한 음성 패턴들을 더욱 명확히 구분할 수 있다. 제안된 선택적 학습 방법을 TIMIT corpus를 이용한 화자인식 실험에 적용해 보았을 때, SI 문장으로 학습하였을 때 3.6% 오인식률향상(error rate improvement)을 보였고, SX 문장으로 학습하였을 때, 16.77% 오인식률향상을 보였다. 이 제안된 방법은 MMIE(maximum mutual information estimation) 학습 방법의 목표와 유사하지만, 적은 계산량과 MLE의 수렴 조건(convergence property)을 그대로 유지한다는 장점이 있다.