2000/10/19（木）

午前前半のセッションはLanguage Modeling． 最初の発表の発表者が来なくて，ちょっと混乱する．内容は，

• クラスn-gramによるモデルサイズの縮小．クラスを導入したモデル （クラスモデルそのものではない）と，StolkeによるN-gram枝刈り手法 の併用．
• 最大エントロピー法の学習の計算量削減．JHUの発表．すべての履歴hについて 正規化係数Z(h)を求めるときに，merginal featureとconditional feature を分けることによって計算量が減るのだが，この発表ではそれを unigram, bigram, trigram...ごとに集計することでさらに計算量を 減らしている．MEMTのファイル形式でそのままインプリメントするのは 難しそうだ．そういえば，JHUのグループで最大エントロピー関係のプログラムを ツールキット化してオープンソースで公開すると言う話をしていた． 早くしないと岸本くんの努力が無駄になるかも．
• クラスによるn-multigram．LIMSIのSabine Deligneの発表（今回はBimbot さんは連名ではなかった）．マルチグラムの学習と，そのクラスタリングを 同時にやろう，と言う話．
• 人名のOOVモデル．ATRの発表．以前音響学会で聞いたもの．
• テンキーによる中国語の 入力．この話は日本でも似たようなのがあったなあ．

午前後半はAcoustic Modeling．良くわからない話もあったが， 複数のHMMを組み合わせて使う話が多かったようだ．

• Hidden-articulator HMM．よくわからん．
• キーワードについてだけMCE学習をすると，キーワードの認識だけでなく 単語認識率全体が改善すると言う話．
• ROVERのような候補統合で，ベイズ危険を最小にするような 候補選びをしようという話．細部は良くわからず．
• 入力ベクトルを複数のストリームだと思って，それぞれについてHMM を作り，それらの状態遷移を同期させるという話．（違うかも）
• HMMの出力確率を正規分布で表わすのではなく，周波数方向の HMMで出力確率を計算しようという話(HMM2)．
• サブワード単位の再設計．新しい単位を作るのではなく，複数の音素 をまとめたり，さらにそれを分割したりして新たな単位を作る．当然と言うか， 環境依存HMMではあまり効果がなかった．モノフォンでは有効．

昼食は，部屋に戻って，残ったカップ麺と昨日の油条の残りを食べる． ついでに日記もちょっとつける．

午後の前半はSpoken Language Processing．このセッションはいろいろな 分野のごたまぜ感がある．

• 発話のdialog actの推定．ごく普通の方法だったような．
• 階層的な音声理解モデル．
• FSTによるパージング．
• 発話交代の検出．BICではなく，MML(Minimum Mesage Length)というのを 使う．式が一瞬しか出なかったが，複雑な式で，MDLとは違うようだ．
• 話し言葉コーパス．古井先生の発表．
• 人間−機械間の発話の分析．竹澤さんの発表．
• HMMの時間情報の適応．継続時間制御のあるHMMで，時間情報だけを 話者依存にすると言う話．雑音環境下で有効とか．

この後，ポスターセッションの``Prosody, Acquisition and Learning'', ``Adaptation and Acquisition in Spoken Language Processing'' の２つを見る．セッションの名前からは想像できないが， 認識関係のポスターもたくさんある．（認識，聴覚・知覚，言語学習システム などが混在している）今回のプログラム編成は いまいちではなかろうか．特に気になった発表は次の通り．

• Beyond the conventional statistical language models: the variable-length sequence approach --- 複合語N-gram．今回は多いなあ．
• 台湾の手話から音声への変換システム．
• Neural network based on integration of multiple confidence measures for OOV detection --- 中国語の単語認識で，単語のリジェクトのために， 複数の信頼度をニューラルネットで統合するという話．ポスターの出来が悪く （説明のない事項が多すぎる），発表者の練習もいまいち．時間をかけて聞いた わりに実りがなかった．
• Detection of filled pauses in spontaneous conversational speech --- filled ポーズの検出．電総研でも同じことをやっていたはずだが， 検出基準がちょっと違うようだ．言語に依存するのかもしれない（この発表 の対象はSwitchboard）．
• An online incremental speaker adaptation method using speaker-clustered initial models --- 古井研の張さんの発表．GMM による話者モデルのクラスタリング．
• Improved Jacobian adaptation for fast acoustic model adaptation in noisy speech recognition --- ヤコビアン適応の改良（嵯峨山先生 の発表ではない）．高次の項まで考慮したと言うことらしい．
• A study of vocal-tract length normalization with generation-dependent acoustic models --- 年齢によって音響モデルを変えようという話．
• Fast speaker adaptation using eigenspace-based maximum likelihood linear regression --- 多数の話者に対するMLLR変換行列をベクトルとみなし， 主成分を抽出する．これを固有空間として，あらたなMLLR変換行列と固有変換行列 をMAP推定のような方法で組み合わせる．

最後はLVCSRのセッション．Acoustic Language Model(音響的にあいまいな 単語をできるだけ別なクラスに分けるようなクラスタリング）が面白かった． 性能はいまいちだったが，この考え方で面白い展開があるのでは なかろうか．

セッションが全部終わったところで，いったん部屋に戻る．その後， おととい挫折した餃子屋へ．隣のテーブルでは，ICSLPの参加者らしい 欧米人5人が店員ともめている．メニューがわからんとか言っているのだろう． 私は，ナスの前菜と，羊肉の水餃子，ビールを頼む． 前菜は，ナスの皮をむいてゆでて薄切りにしたものに，胡桃のソースが かかっていて，そこにおろしにんにくがトッピングしてある． 生おろしにんにくとは裏をかかれた．前菜を食べ終わって少しして， 羊肉餃子が来た．ちょっと羊の癖があるが，しょうがが利いていて なかなかいける．ふと反対側の隣を見ると，おばさんとその娘らしい 若い女が，二人で７皿を囲んでいる．余った分はみんな持ち帰っている ようなので，この二人も持ち帰りが前提なのだろうが，ちょっとすごい．

食べ終わった後，近くのスーパーに行って皮蛋とかんづめ等を買う． ホテルに戻って寝る．明日は最終日だ．がんばろう．

次の日へ 目次へ