Approximate Nearest Neighbour Phrase Mining for Contextual Speech Recognition

要約

タイトル：コンテキスト依存音声認識のための近似最近傍フレーズマイニング

要約：

– 研究では、コンテキストエンコーダーの潜在空間からハードネガティブフレーズをマイニングする単純で効率的な方法を使用して、エンドツーエンドのコンテキストアウェアトランスフォーマートランスデューサーモデルのトレーニングの拡張を提案しています。
– トレーニング中に、参照クエリが与えられると、近似最近傍探索を使用していくつかの類似フレーズをマイニングします。これらのサンプリングされたフレーズは、コンテキストリスト内のランダムおよびグラウンドトゥルーのコンテキスト情報と一緒に、ネガティブな例として使用されます。
– 近似最近傍フレーズ（ANN-P）をコンテキストリストに含めることにより、学習された表現が似ているが完全には同じではないバイアスフレーズを明確に区別するように促し、バイアスの正確性を改善します。
– 大規模なデータ環境で実験を行い、テストデータのコンテキスト部分について最大7％の相対ワードエラーレート削減を達成しました。また、CATTアプローチをストリーミングアプリケーションに拡張し、評価しました。

要約(オリジナル)

This paper presents an extension to train end-to-end Context-Aware Transformer Transducer ( CATT ) models by using a simple, yet efficient method of mining hard negative phrases from the latent space of the context encoder. During training, given a reference query, we mine a number of similar phrases using approximate nearest neighbour search. These sampled phrases are then used as negative examples in the context list alongside random and ground truth contextual information. By including approximate nearest neighbour phrases (ANN-P) in the context list, we encourage the learned representation to disambiguate between similar, but not identical, biasing phrases. This improves biasing accuracy when there are several similar phrases in the biasing inventory. We carry out experiments in a large-scale data regime obtaining up to 7% relative word error rate reductions for the contextual portion of test data. We also extend and evaluate CATT approach in streaming applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI