2時頃目が覚める。そのままメールを読んだり今日の発表のスライドをなおしたりして、4時頃もう一度寝る。6時半起床。
シャワーを浴びて、発表のリハーサル。ちょっと長いけど何とかなるだろう。
8時にロビーに集合して、会場へ。
会場ではみんなが会議で提供される朝食を食べている。
8:30の予定が、10分ほど遅れてOpening Ceremony。C.-C. Jay Kuoが司会で、最初に古井先生が挨拶。
次にAntonio OrtegaがTPC代表で話をする。投稿400超、採択率60%（通常論文）。その他にスペシャルセッションがあるので、全体の採択率はもっと高い。
Srikanth NarayananがSocial Programについて説明。今日はバンケット、明日はシルク・ド・ソレイユの公演（申し込んでないけど）。
続いてキーノート。
・通常の認証は「何かを持っている」「何かを知っている」ことに基づいているが、それは信用できない。従来の方法のさまざまな脆弱性。 ・バイオメトリックによる認証。 最初はHabitual Criminal Act (1869)犯罪者の顔写真と身体特徴の記録。 掌紋、足紋など(Friction Ridge Patterns)と指紋 ・バイオメトリックが満たすべき要件：Uniqueness, persistence, ・バイオメトリック認識システムの基本構成。指紋認証の基本方法。 ・バイオメトリックの応用。 入国での指紋登録・認証（米国）虹彩認証（UAE） 指紋によるキャッシュレジスタへのログイン 学校・病院での掌紋スキャナ ディズニーランドでの指紋認証 IDの名寄せ、IDの複数取得の防止 市民登録（インド） モバイルデバイス（指紋認証）2012年にはモバイルデバイスの数が世界人口を超えた ・チャレンジ 画質の問題 指紋認証 3D touchless sensor 一部が欠けた指紋の認証 顔認証 表情、照明、アングルなどが変わると難しい 監視カメラへの応用 経年変化への対応 顔写真と似顔絵(Forensing Sketch)とのマッチング 双子の問題（殺人事件で双子がそれぞれ相手を告発） 刺青認識 ・詐称の問題 変装、ダミー指紋、ダミー眼球 指紋改変
コーヒーブレイク後、午前後半のセッション。ポスターセッションにうちの研究室から2名出場するので、その面倒を見つつ発表を聞くつもりだったが、3件ほど聞いたところで気力が尽きる。
Simplfying Emotion Classification Through Emotion Distillation (U of Michigan)
音声と顔画像からの感情認識。各感情についてSVMによる二値分類器を作り、その結果を並べたベクトルの時系列による特徴量を作る(Emotogram)。その時系列をHMMでモデル化。対象は俳優によるナレーション。手法はおもしろいのだが、俳優が感情を込めたナレーションの時系列を対象とするのはどうなんだろう。
Speech Emotion Recognition System based on a Dimentional Approach Using a Three-Layered Model (JAIST)
赤木研。音声の特徴量からいくつかの中間的特徴を求め、それを組み合わせることで感情の認識を行う。それぞれの特徴の算出は線形結合なので、全体としては制約のあるパーセプトロンになっているはずで、非線形性がないとおもしろくないんじゃないだろうか。
Comparative Study of Various Noise Reduction Methods with Decision-Directed a priori SNR Estimator via Higher-Order Statistics
さまざまなSNR推定法に基づく雑音除去法の比較。高次統計量（具体的には4次モーメント）を使う方法は他の発表でも使われていた。それぞれの手法で使うパラメータをどうするか検討しているようだったが、説明は要領を得なくて何をしてるのかわからなかった。
ついでにうちから発表したのは以下の2件。
A Spoken Dialog System Using Virtual Conversational Agent with Augmented Reality (Tohoku U)
三宅君が発表。さまざまな機器の操作を音声対話で行うときに、操作する機器にビジュアルタグをつけて、それをカメラで撮影すると対話用のＣＧエージェントがARで重畳されて現れ、機器との対話を仲介するというアイデア。エージェントあるなしでユーザの発話様式がどう変わるかという分析。英語だとどうなのか質問があったようだけど、どうなんだろう。
A Japanese Lyrics Writing Support System for Amateur Songwriters (Tohoku U)
あべちこと阿部さんが発表。プロでない人が作詞をするときの単語選択を助けてくれるシステム（別にプロが使ってもいいのだけど）。言語コンテキストと制約（韻など）を指定すると、N-gramを使ってそのコンテキスト上で確率の高い単語候補を表示する。実際に利用したときの作詞行動分析をしているが、こういう研究は他では見たことがないのでおもしろいんじゃないかと思っている。
ということで外へ。ちょっと会場を離れてモンスターエナジー(710ml缶）を買ってきて、それを啜りながら1時間ほど帰国後の講演のスライド準備。
12時半頃昼食。並んでいる。今日はタコスらしい。
食事をした後、13時半からAPSIPA総会があるのだが、パスしてスライド作りの続き。14時頃会場に移動して日記を書いたり。
午後前半はSpeech Recognition (II)のセッション。
Acoustic Model Training Using Committee-based Active and Semi-Supervised Learning for Speech Recognition (Tokyo Inst. Tech.)
篠田先生が発表。音声の書き起こしが少ない場合の音響モデル学習。Active learningとSemi-supervised learningを組み合わせる。Active learning は、性能を向上させそうなサンプルだけを書き起こすことで全体の書き起こし量を低減する。「向上させそう」かどうかは、複数の認識器の結果が一致するかどうかで見る（Comittee-based method）。Semi-supervised learningは、結果があっていそうな認識結果を正解だと思って学習する。この発表の方法では、この2つを組み合わせて、認識結果が良さそうならそのまま学習に使い、良くなさそうなら人手で書き起こす。
Distance Attenuation Control of Spherical Loudspeaker Array (U of Tsukuba)
牧野研。球状スピーカーアレイを使って、遠くまで音が聞こえないよう制御する。スピーチプライバシー用途。Radial Filteringという方法を使う。伝達関数の設計は球面調和関数展開されたドメインで行う。原理的にはAmbisonicsと同じ物か？包囲型アレイではないので、無条件に距離制御ができるわけではないようにも思うけど。
Recognition of Utterances with Grammatical Mistakes based on Optimization of Language Model towards Interactive CALL Systems (Tohoku U)
私の発表で、安斎君の研究。対話型英語学習システムでの学習者発話の高精度認識手法。尤度差を使って、発話が想定される文からどの程度ずれているのかを音響的に推定するところが新しい。古井先生から「文法なしの単語モデルを使ったらどうなの」という質問があった。また、中川先生から「改善の効果は話者やスキルによって違うのか」という質問があった。
Fast NMF Based Approach and Improved VQ Based Approach for Speech Recognition from Mixed Sound (Toyohashi U of Tech)
中川研。音楽と音声が混ざった信号からの音声認識。NMFで入力信号のスペクトログラムを音声と音楽に分離する。音声と音楽の基底ベクトルをあらかじめVQによって作っておくところがミソ。NMFで各フレームのアクティベーション行列を作ったら、その結果からフレームごとにウィーナフィルタを構成して音楽信号を抑圧する。以前の方法（音楽のVQコードと、音楽＋音声のVQコードのペアを使って、あるフレームにある音楽信号を推定する）よりも高性能。Fast NMFとふつうのNMFの違いがよくわからなかった。一般の音楽信号は、VQでモデル化するには空間が大きすぎやしないだろうか。
Expansion of Training Texts to Generate a Topic-Dependent Language Model for Meeting Speech Recognition (Nagasaki U)
松永研。会議音声の認識のための言語モデル適応。基本的にはふつうのWeb検索と発話スタイル変換を用いた言語モデル適応だが、会議の参加者名を含む文を生成して混ぜるところがたぶん新しい。録音音声に含まれる未知語のうち2割は参加者名だったとのこと。Web検索のキーワード選択はTF-IDFベース。認識対象は模擬会議。
コーヒーブレイク。
Optimizing the Parameters of Decoding Graphs Using New Log-based MCE (U of Auckland)
WFSTグラフの重みを識別学習によって最適化。さまざまな方法があるが、この方法ではN-best認識結果を使って（入力音声ごとに？）最適化する。最初にWFSTでデコードして、その結果を基に、入力をアクセプトする小さいネットワーク(Reference WFSA)を生成して、その重みを学習するようだ。MCE学習のためのロス関数に特徴があるらしい。繰り返しデコードでWERが25%から18%ぐらいまで落ちる。スライドの字が小さすぎてなにが書いてあるのかわからない。
Voice Activity Detection Based on Augmented Statistical Noise Suppression (Hitachi Ltd.)
大淵さん。統計的雑音除去OM-LSA法を使い、通常の雑音除去よりもたくさん雑音を引いて、ともかく雑音を除去する（音声は歪むが、気にしない）。また、周波数軸上で振幅が大きい成分を除去してしまう。その上で、単純なパワーベースのVADを行う。簡単な方法だが、従来の尤度比によるVADよりも高性能。
Language Modeling for Spoken Dialogue System based on Sentence Transformation and Filtering using Predicate-Argument Structures (Kyoto U)
インドに行っている椀屋さんの代わりに河原先生が発表。音声対話のために特定ドメインの言語モデルが必要。そのために、集めた文を口語に変換し、その中から実際に話される可能性の高い文だけを使って言語モデルを適応する。集めた文を述語項解析して、それをテンプレートと照合することで、クエリ文として話される可能性を測る。測り方はナイーブベイズ。野球ドメインでテスト。単に文を選んでコーパスに足すよりもWERが5ポイントほど改善。述語項解析を使う効果は（たとえば単純な正規表現マッチに比べて）どれだけあるのか気になった。
Hybrid Vector Space Model for Flexible Voice Search (Kyoto U)
河原先生が続けて発表。本のタイトルの音声検索。単純なVSMの代わりに、入力をスロット要素ごとに分類して、スロット（タイトル、著者、カテゴリなど）ごとに別々なVSMで近さを測る。最終的に単純なVSMの結果も統合してスコアを算出する。評価のためのコーパスをMTurkで作った。
An Interference-Free Representation of Group Delay for Periodic Signals (Wakayama U)
和歌山の方の河原先生。iPadを使ったインタラクティブで動きのある発表。FFTを使った群遅延の計算。TANDEMの話と、もしF0推定が間違っていたとしてもそれほど害はないという話。そして、似たような感じで「パワースペクトルで重みづけた瞬時周波数」をピッチ同期の2つの窓の間で平均することで擾乱成分がキャンセルされる。
セッション終了後、バンケット。キーノートがあったホールをそのまま使って開催される。いったん宿に戻って荷物を置き、会場に戻る。ホール前ではバンケット待ちの参加者がたむろしていた。
18時半ごろ会場入り。中ではおじさんたちのバンドがロック演奏している。
ワインが出ていて、そのあとサラダ→メイン→デザートと来る。デザートのブラウニーが重い。
食事をしながら、ステージでは来年のAPSIPAの紹介。来年は高雄での開催。
20時頃に終了。ワインをさんざん飲んで酔っぱらった。ホテルに戻って、最低限の機器充電をセットした後、ダウン。