論文の概要: AutoSpeech 2020: The Second Automated Machine Learning Challenge for
Speech Classification
- arxiv url: http://arxiv.org/abs/2010.13130v1
- Date: Sun, 25 Oct 2020 15:01:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 04:50:28.746371
- Title: AutoSpeech 2020: The Second Automated Machine Learning Challenge for
Speech Classification
- Title（参考訳）: AutoSpeech 2020: 音声分類のための第2回自動機械学習チャレンジ
- Authors: Jingsong Wang, Tom Ko, Zhen Xu, Xiawei Guo, Souxiang Liu, Wei-Wei Tu,
Lei Xie
- Abstract要約: AutoSpeechチャレンジでは、機械学習を音声処理タスクに適用するプロセスを自動化するために、自動機械学習(AutoML)ソリューションが求められている。
本稿では,課題プロトコル,データセット,評価基準,開始キット,ベースラインシステムについて概説する。
- 参考スコア（独自算出の注目度）: 31.22181821515342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The AutoSpeech challenge calls for automated machine learning (AutoML)
solutions to automate the process of applying machine learning to speech
processing tasks. These tasks, which cover a large variety of domains, will be
shown to the automated system in a random order. Each time when the tasks are
switched, the information of the new task will be hinted with its corresponding
training set. Thus, every submitted solution should contain an adaptation
routine which adapts the system to the new task. Compared to the first edition,
the 2020 edition includes advances of 1) more speech tasks, 2) noisier data in
each task, 3) a modified evaluation metric. This paper outlines the challenge
and describe the competition protocol, datasets, evaluation metric, starting
kit, and baseline systems.
- Abstract（参考訳）: autospeech challengeでは、音声処理タスクに機械学習を適用するプロセスを自動化するための自動機械学習(automl)ソリューションが求められている。
さまざまなドメインをカバーするこれらのタスクは、ランダムな順序で自動化システムに表示されます。
タスクが切り替えられるたびに、新しいタスクに関する情報が対応するトレーニングセットでヒント付けされる。
したがって、全ての提案されたソリューションは、新しいタスクにシステムを適用する適応ルーチンを含むべきである。
第1版と比較して 2020年版には
1) より多くの音声タスク。
2)各タスクにおけるnoisierデータ
3) 評価基準の変更。
本稿では,競合プロトコル,データセット,評価指標,開始キット,ベースラインシステムについて概説する。
関連論文リスト
- Semantic Code Classification for Automated Machine Learning [0.0]
セマンティックコードクラスと呼ばれる単純なアクションのシーケンスを通じて出力を制御する方法を提案する。
本稿では,自然言語から機械学習(NL2ML)データセットにおいて,意味的コード分類タスクを提案し,この問題を解決する方法について議論する。
論文 参考訳（メタデータ） (2022-01-25T10:40:37Z) - Adapting Document-Grounded Dialog Systems to Spoken Conversations using
Data Augmentation and a Noisy Channel Model [46.93744191416991]
第10回ダイアログ・システム・テクノロジー・チャレンジ(DSTC10)第2章の報告を要約する。
このタスクは3つのサブタスクから構成される: ターンが知識を求めるかどうかを検知し、関連する知識文書を選択し、最後に接地された応答を生成する。
ベストシステムは,課題の人的評価において,第1位,第3位を達成できた。
論文 参考訳（メタデータ） (2021-12-16T12:51:52Z) - Auto-KWS 2021 Challenge: Task, Datasets, and Baselines [63.82759886293636]
Auto-KWS 2021チャレンジは、カスタマイズされたキーワードスポッティングタスクに機械学習を適用するプロセスを自動化するために、自動機械学習(AutoML)ソリューションを呼び出します。
この課題は、ターゲットデバイスが特定のキーワードで登録された話者によってのみ覚醒できる、カスタマイズされたキーワードスポッティングの問題に焦点を当てている。
論文 参考訳（メタデータ） (2021-03-31T14:56:48Z) - Knowledge Distillation for Improved Accuracy in Spoken Question
Answering [63.72278693825945]
我々は,音声文書や書面文書から知識蒸留を行うための訓練戦略を考案した。
我々の研究は、言語モデルから知識の抽出を監督信号として進めている。
実験により,本手法はSpken-SQuADデータセット上で,最先端の言語モデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-21T15:18:01Z) - AutoML to Date and Beyond: Challenges and Opportunities [30.60364966752454]
AutoMLツールは、機械学習を非機械学習の専門家が利用できるようにすることを目的としている。
本稿では,AutoMLシステムのための新しい分類システムを提案する。
エンド・ツー・エンドの機械学習パイプラインのさらなる自動化に必要な研究を指摘して、将来のロードマップを策定しました。
論文 参考訳（メタデータ） (2020-10-21T06:08:21Z) - Induction and Exploitation of Subgoal Automata for Reinforcement
Learning [75.55324974788475]
本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。
ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。
サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
論文 参考訳（メタデータ） (2020-09-08T16:42:55Z) - The NTT DCASE2020 Challenge Task 6 system: Automated Audio Captioning
with Keywords and Sentence Length Estimation [49.41766997393417]
本報告では, 音響シーン・イベントの検出・分類に関わるシステムについて述べる。
本論文は,音声の自動字幕化における2つの不確定性,すなわち,単語選択不確定性と文長不確定性に焦点をあてる。
マルチタスク学習によりキーワードと文長を推定することにより,主字幕生成と部分不確定化を同時に解決する。
論文 参考訳（メタデータ） (2020-07-01T04:26:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。