Sparse Coding Approaches to Language Acquisition

ZIELL DIES EING Eines Eines Systems zum Lernen von Referenzmustein für das unüberwachte Erlernen einer Srache.在发明家Einheiten erlen和Zwar auf zwei verschiedenen Abstraktionsebenen：Zum Einen auf der Ebene der Laute and zum Anderen auf der Ebene der Wörter.Se Sollen Verfahren Aus DEM Gebiet der SPärlichen Kodierung eingesetzt Wden，um eine reproräsentation des Sprachignals zu finden，be de de Darstellung des Sprachignals in Kurzzeit-Spektralbereich dch eine linearkombination von Basisvektoren angenähert wird.我们的工作主要集中在以下几个方面：第一个是工作，第二个是工作。在此基础上，提出了一种基于k-SVD(k-SVD)的计算方法。所有的一切都是这样，该死的，这是一种典型的行为方式，就是这样一种行为方式。这是一种“隐藏”的生活方式，是一种动态的生活方式。再往前走，再往前走一段时间，我们就会发现，这是一件非常重要的事情。在此基础上，我们可以从以下几个方面了解到这一点：这是一个非常重要的问题。Von Häufigkeiten von Lautfolgen.这是一个非常重要的问题，因为这是一个非常重要的问题，也就是说，我们的未来是什么？

Ziel dieses Projektes ist die Entwicklung eines Systems zum Lernen von Referenzmustern für das unüberwachte Erlernen einer Sprache. Die Maschine soll wiederkehrende Muster in dem kontinuierlich gesprochenen Eingangssprachsignal entdecken und ein Inventar von Einheiten erlernen, und zwar auf zwei verschiedenen Abstraktionsebenen: zum Einen auf der Ebene der Laute und zum Anderen auf der Ebene der Wörter. Es sollen Verfahren aus dem Gebiet der spärlichen Kodierung eingesetzt werden, um eine Repräsentation des Sprachsignals zu finden, bei der die Darstellung des Sprachsignals im Kurzzeit-Spektralbereich durch eine Linearkombination von Basisvektoren angenähert wird. Während nichtnegative Matrixfaktorisierung (NMF) auf Sprache bereits eingesetzt worden ist, gibt es andere Verfahren, welche nicht die Nichtnegativität der Matrixelemente voraussetzen, so dass sie besser geeignet sind, um sie auf die üblichen Parametrisierungen von Sprachsignalen, etwa die Mel-Frequenz Cepstralen Koeffizienten, anzuwenden. Ein vielversprechendes Verfahren ist die k-Singulärwertzerlegung (k-SVD), die bisher vornehmlich im Computersehen eingesetzt worden ist. Alle diese Lernverfahren müssen jedoch erweitert werden, damit sie, zusätzlich zu dem Erlernen der typischen spektralen Muster, auch die zeitliche Korrelation von Sprachsignalen erfassen können. Dazu sollen Ansätze aus dem Bereich der dynamischen Zeitanpassung und der ”hidden” Markovmodell-basierten Spracherkennung verwendet werden. Auf der ersten, unteren Stufe der Dekomposition des Eingangssprachsignals sollen wiederkehrende Lauteinheiten entdeckt werden. Auf der zweiten, höheren Abstraktionsebene werden mit ähnlichen Verfahren wie auf der ersten Ebene Wort- oder Phraseneinheiten erlernt, basierend auf einer Beschreibung der unteren Ebene mit Hilfe von n-Grammen, d.h. von Häufigkeiten von Lautfolgen. Die untere Ebene soll dabei Posteriorwahrscheinlichkeiten an die obere Ebene weitergeben, um eine vorzeitige definitive Entscheidung über Laute zu vermeiden.