４月２３日（木）


朝5時半頃起床。メールをチェックした後、今日聞くセッションのチェック。

明日発表なので、発表の練習をしてみる。15分目標で17分。もう少し何とかならないか。

7時過ぎにホテルを出て、丹堤珈琲で朝ごはん。今日はホットドッグにしてみた。

そこから地下鉄で会場まで。7時45分頃着く。Plenary Lectureが8時半からなので、ロビーで論文を書いたり。

8時半からPlenary Session。

Cognitive User Interfaces: an Engineering Approach, by Steve Young, University of Cambridge

HTKで有名なSteve Youngの講演。
1. 「iPhoneで写真をめくって削除する」というジェスチャ認識によるイン多フェースを例に、Cognitive User Interface と確率的枠組みについて説明。
2. 人間の決定プロセスはベイズ的か？→Yes
3. Partially Observed Markov Decision Process とその応用
　　音声対話制御にPOMDPを使う場合の問題点と対処法。

コーヒーブレイクの間、30日締め切りの論文を書いている。午後後半はポスターセッションを流す。

IFS-P2: Watermarking, Data Hiding, and Fingerprinting

IFS-P2.2: JOINT WATERMARKING AND COMPRESSION FOR GAUSSIAN AND LAPLACIAN SOURCES USING UNIFORM VECTOR QUANTIZATION
         Guixing Wu; Research In Motion
         En-hui Yang; University of Waterloo
         Da-Ke He; Research In Motion
量子化器を複数用意して切り替えることによる電子透かし。従来はスカラ量子化だったが、ラティスベクトル量子化に適用した。情報源がラプラス分布するとき と正規分布するときに最適なラティス設計。
 
IFS-P2.7: FEATURE BASED CLASSIFICATION OF COMPUTER GRAPHICS AND REAL IMAGES
         Gopinath Sankar; University of Alberta
         Vicky Zhao; University of Alberta
         Yee-Hong Yang; University of Alberta
実画像とCG画像の識別。特徴量として、色ヒストグラム、YCbCr次元での分散などを使う。実画像とCGの合成写真の検出も行っている。

IFS-P2.11: FINGERPRINT MATCHING BASED ON DISTANCE METRIC LEARNING
         Dalwon Jang; Korea Advanced Institute of Science and Technology
         Chang D. Yoo; Korea Advanced Institute of Science and Technology
フィンガープリントを使った検索において、環境の影響で検索キーになるフィンガープリントの空間がデータベースと合わなくなってしまった場合に、特徴量を 正規化するのではなく、距離尺度の方を学習する。距離の式としてはマハラノビス距離と同じだが、共分散行列に当たる行列をマージン最大基準によって最適化 する。フィンガープリントだけでなく、いろいろ応用できるのではないだろうか。

IFS-P2.12: SECURE IMAGE RETRIEVAL THROUGH FEATURE PROTECTION
         Wenjun Lu; University of Maryland, College Park
         Avinash L. Varna; University of Maryland, College Park
         Ashwin Swaminathan; University of Maryland, College Park
         Min Wu; University of Maryland, College Park
サーバに暗号化画像を置いておき、暗号化したまま検索する。ユーザはサーバに暗号化画像と暗号化特徴量を同時にアップロードし、サーバ側からは画像に関す る情報が取り出せないようにする。特徴量をスクランブルしても、画像の特徴量間の距離が大きく変化しないようにスクランブルするところがミソ。

SPE-P9: Speech Enhancement II

SPE-P9.1: SPEECH REINFORCEMENT BASED ON PARTIAL MASKING EFFECT
         Jong Won Shin; Seoul National University
         Yu Gwang Jin; Seoul National University
         Seung Seop Park; Seoul National University
         Nam Soo Kim; Seoul National University
雑音環境で流す音声を強調するときの方法。聴取される音声の各帯域のラウドネスが元の音声と近くなるように音声を強調する。

SPE-P10: Acoustic Modeling II

SPE-P10.4: REVISITING GRAPHEMES WITH INCREASING AMOUNTS OF DATA
         Yun-Hsuan Sung; Stanford University
         Thad Hughes; Google
         Francoise Beaufays; Google
         Brian Strope; Google
音響モデルの単位として、音素ではなく文字素を使う。語頭・語尾まで考慮してモデル化し、学習データをたくさん使うと、音素よりやや悪い程度。

1時間ほどポスターを聞いた後、座ってメールのチェックと論文書き。

昼になったので、ポスター発表が終わった西村さんと早稲田の森島先生とで昼食へ。Taipei 101のフードコートは混んでいる。港式の鉄板焼屋さんで、イカと豚肉の鉄板焼を買って食べる。150元。ボリューム十分。

午後前半は、スペシャルセッションのData Delugeを聞く。

SS-L8: The Data Deluge: The challenges and opportunities of unlimited data in signal processing

SS-L8.1: THE DATA DELUGE: CHALLENGES AND OPPORTUNITIES OF UNLIMITED DATA IN STATISTICAL SIGNAL PROCESSING
         Michael L. Seltzer; Microsoft Research
         Lei Zhang; Microsoft Research Asia
"Data Deluge（データの洪水）" は「情報爆発」と同じココロか。
問題点：
１　ラベルがないか、不完全。→自動ラベリング
２　検索が大変。→Topic-based LM
３　データを検索可能にしなければならない。→Lattice Indexing

SS-L8.2: FILTERING WEB TEXT TO MATCH TARGET GENRES
         Alex Marin; University of Washington
         Sergey Feldman; University of Washington
         Mari Ostendorf; University of Washington
         Maya Gupta; University of Washington
Mari Ostendorfの発表。トークショーの認識が目標。
従来法では高頻度n-gramをクエリとする。この論文ではWebデータのジャンル認識を行い、不要・有害なデータを除去する。


最初の2件を聞いたところでセッションを抜け、会場の端のほうで論文書きの内職。そのうちコーヒーブレイクになったので、パソコンを畳んでコーヒーを飲 む。

午後後半は、Voice Search and Spoken Term Detection のセッションを聞く。

SPE-L9: Voice Search and Spoken Term Detection

SPE-L9.1: VOICE SEARCH OF STRUCTURED MEDIA DATA
         Young-In Song; Korea University
         Ye-Yi Wang; Microsoft Research
         Yun-Cheng Ju; Microsoft Research
         Michael L. Seltzer; Microsoft Research
         Ivan Tashev; Microsoft Research
         Alex Acero; Microsoft Research
音声指示による音楽再生。音楽情報は「アーティスト名」「アルバム名」「曲名」「歌詞」などに構造化されているので、そのような構造を持ったデータを検索 するための確率モデルについて。構造の各フィールドを状態として、そこから単語が出力されるHMMを使うのが高性能。
 
SPE-L9.2: A SCALABLE METHOD FOR VOICE SEARCH TO NATIONWIDE BUSINESS LISTINGS
         Antonio Moreno-Daniel; Georgia Institute of Technology
         Jay Wilpon; AT&T Labs Research
         Biing-Hwang (Fred) Juang; Georgia Institute of Technology
非常に数の多いリストを音声で検索する。音素認識結果からRHAのような手法で予備選択を行い、その結果に対して再び認識を行う。
イエローページなどと、問い合わせ文から学習した音素n-gramを使う。

SPE-L9.3: ROBUST DISCRIMINATIVE KEYWORD SPOTTING FOR EMOTIONALLY COLORED SPONTANEOUS SPEECH USING BIDIRECTIONAL LSTM NETWORKS
         Martin Woellmer; Technische Universitaet Muenchen
         Florian Eyben; Technische Universitaet Muenchen
         Joseph Keshet; Idiap Research Institute
         Alex Graves; Technische Universitaet Muenchen
         Bjoern Schuller; Technische Universitaet Muenchen
         Gerhard Rigoll; Technische Universitaet Muenchen
識別的キーワードスポッティングの改良。Bidirectional Long-Short-Term-Memory RNN（長期記憶が扱えるRNN）を使う。

SPE-L9.4: A NEW METHOD FOR OOV DETECTION USING HYBRID WORD/FRAGMENT SYSTEM
         Ariya Rastrow; Johns Hopkins University
         Abhinva Sethy; IBM T. J. Watson Research Center
         Bhuvana Ramabhadran; IBM T. J. Watson Research Center
OOVの検出。単語モデルとサブワードモデルの事後確率みたいなものを使う（よく理解できなかった）。単なる信頼度を使うのと式が違うのはわかったが、ど ういう考え方で違うのかはよくわからない。
 
SPE-L9.5: EFFECT OF PRONUNCIATIONS ON OOV QUERIES IN SPOKEN TERM DETECTION
         Dogan Can; Bogazici University
         Erica Cooper; MIT Computer Science and Artificial Intelligence Laboratory
         Abhinav Sethy; IBM T. J. Watson Research Center
         Christopher M. White; Johns Hopkins University
         Bhuvana Ramabhadran; IBM T. J. Watson Research Center
         Murat Saraclar; Bogazici University

最後の発表の前にセッションを抜け、なんとなくポスターの部屋に入ってみると、Language Aquisition and Annotation のセッションでCALL関係の発表をやっている。しまった、気がつかなかった。もっと早く聞きに来ていればよかった。

SLP-P3: Language Acquisition and Annotation

SLP-P3.1: AUTOMATIC EVALUATION OF SPOKEN ENGLISH FLUENCY
         Om D. Deshmukh; IBM India Research Lab
         Kundan Kandhway; IBM India Research Lab
         Kartik Audhkhasi; University of Southern California
         Ashish Verma; IBM India Research Lab
英語のうまさを自動評価するのに、書き起こしの言語情報とプロソディの特徴情報を併用する。書き起こしについては、フィラーの頻度、発話の単語数、頻出単 語などが特徴量になるようだ。
 
SLP-P3.9: AUTOMATIC PRONUNCIATION VERIFICATION OF ENGLISH LETTER-NAMES FOR EARLY LITERACY ASSESSMENT OF PRELITERATE CHILDREN
         Matthew Black; Signal Analysis and Interpretation Laboratory
         Joseph Tepperman; Signal Analysis and Interpretation Laboratory
         Abe Kazemzadeh; Signal Analysis and Interpretation Laboratory
         Sungbok Lee; Signal Analysis and Interpretation Laboratory
         Shrikanth S. Narayanan; Signal Analysis and Interpretation Laboratory
子供の英語教育用に、文字の発音（AとかBとか）の自動評価。正しい発音の登録された辞書に、正しくない発音の辞書項目を 適切に選んで加えることで誤発音を検出することができる。

SLP-P3.10: IMPROVING MISPRONUNCIATION DETECTION USING MACHINE LEARNING
         Yuqiang Chen; Shanghai Jiaotong University
         Chao Huang; Microsoft Research Asia
         Frank K. Soong; Microsoft Research Asia
中国語の発音誤り検出。複数の特徴量の組み合わせによって性能向上。

ポスターが終わったところでロビーへ。JAISTの赤木先生ご一行がおられたので、ご一緒させてもらうことに。この後どうするかいろいろ相談した後、結局 Taipei 101の上にあるレストランで食べましょうということに。

101の高層ビルでは、2階でレストランの受付をやっている。中華料理が食べたかったが、いっぱいだそうなので、隣のイタリア料理屋に入る。

エレベータを1回乗り換えて、85階のレストランへ。窓際の席ではなかったけど、夜景は美しい。
　　
一番安いコースで1680元。シーフードサラダ、カンフースープ、メインに鱈の料理を頼む。ついでにビールも。
　　

下の写真がカンフースープ。チキンスープに筍、しいたけ、なまこ、鶏肉がはいったもの。
　　
　
途中トイレに行くと、壁はガラス張りで夜景が見える。


いろいろ話しながら食べて、9時過ぎに終了。赤木先生、鵜木先生とタクシーに乗り、国父紀念館駅へ。そこから地下鉄で台北駅。

ホテルに戻り、メールをチェックした後、もう一度明日の発表の練習。やっぱり17分かかる。当日は1枚ぐらいスキップしないとだめだな。

11時半頃寝る。
前の日へ　目次へ　次の日へ