과표본추출에 의한 음성인식율의 향상 (Improving Speech Recognition Rate by Over-sampling)

서지정보

· 발행기관 : 사단법인 인문사회과학기술융합학회
· 수록지 정보 : 예술인문사회 융합 멀티미디어 논문지 / 7권 / 2호 / 341 ~ 349페이지
· 저자명 : 석현태

초록

음성인식을 위한 분석시스템에 있어 난제의 하나인 충분히 신뢰할만한 음향적 파라미터를 얻기 위한 일환으로 이해가 용이한 데이터마이닝 모델을 생성하여 소기의 목적을 달성하는데 사용할 수 있으나, 이에 대한 걸림돌 중 하나는 잘 정리된 충분한 양의 훈련 데이터의 부족이다. 부족한 훈련 데이터를 보완하기 위한 방법으로는 과표본추출(over-sampling)이 흔히 사용되며 이를 위한 대표적 방법으로 SMOTE 알고리즘이 제안되어 활용된다. 그러나 SMOTE 알고리즘에 의해 생성된 훈련 데이터 인스턴스는 비록 K-인접이웃 기법에 의해 생성되었다하나 기본적으로 인공 데이터이므로 클래스의 진위를 검사해볼 필요성이 있다. 본 논문에서는 의사결정트리를 목표 데이터마이닝 모델로 할 때 음성 데이터를 포함하는 phoneme 데이터베이스처럼 클래스의 분포가 한쪽으로 치우친 데이터베이스에서 의사결정트리의 앙상블을 포함하는 기계학습 알고리즘인 랜덤포리스트를 사용하여 인공 데이터를 검정함으로써 보다 개선된 의사결정트리를 생성할 수 있음을 실험을 통해 증명하였다.

영어초록

Decision trees can be used to acquire acoustic parameters for the analytical system of speech recognition, but a difficult part for the purpose is the lack of well-prepared data as well as enough number of training data for more accurate classification using the decision tree. As a method to supplement the insufficient data, SMOTE that is a representative method for over-sampling is widely accepted. But, because the generated instances by the over-sampling method are basically artificial instances, even though the artificial data are based on k-nearest neighbors, we need to check the true positiveness of them. Moreover, ensemble learning algorithms are robust for data errors so that we want to apply the algorithm for our purpose. In this paper, when we have a skewed data set like phoneme database which have vocal sound data, we showed in experiment that the artificial instances could be checked by the machine learning algorithm of random forests which are based on ensemble learning and could generate more improved decision trees by using the checked instances.

참고자료

· 없음