May, 2023

多维度发音评估的均衡得分损失

PDF
TL;DR本文提出了一种新型的失误函数 —— 得分平衡损失函数，侧重于解决自动发音评估中存在的数据分布不均问题，通过引入重新加权方法，使模型收到最小类的预测分数较高的成本支出，从而提升模型在少量分数预测问题上的性能。在 speechocean762 数据集上验证了本方法的有效性。
automatic pronunciation assessmentscore-balanced lossdata imbalancere-weighting approacheffective number of samples
发现论文，激发创造
  • 声学特征融合用于平衡多方面发音评估

    本文提出了两种声学特征混合策略，线性和非线性插值与批次平均特征相结合，以解决非母语学习者语音数据稀缺和得分标签不平衡的问题。通过将发音准确性作为声学特征，我们改进了设计以适应发音评估，同时结合细粒度的错误率特征，通过将语音识别结果与原始答案音素进行比较，直接提供发音错误的提示。声学特征的有效混合显著提高了 speechocean762 数据集上的整体评分性能，详细分析突显了我们预测未见扭曲的潜力。

    Jun, 2024

  • 影响平衡损失函数：解决不均衡视觉分类问题

    我们提出了一种平衡训练方法，通过衍生用于平衡训练阶段的新丢失，有效改善任何类型的不平衡学习方法的性能，从而解决了数据不平衡问题。我们的实验结果表明，所提出的损失优于现有的基于成本的损失方法。此外，我们的损失并不限于特定任务、模型或训练方法，因此可以轻松地与其他最近的重新采样、元学习和基于成本的学习方法结合使用以解决类别不平衡问题。

    Oct, 2021

  • 多方面关注的层次发音评估

    本研究提出了一种基于多方面注意力和分层表示的自动发音评估模型（ HiPAMA ），可在不同层次（如音素、单词和句子）上评估发音的多个方面（ 如准确性、流利度和完整性），从而实现更全面的反馈评估

    Nov, 2022

  • 深入探究语义规模不平衡

    本研究旨在定义和量化类别的语义规模，以测量各个类别的特征多样性，并提出了一种量化语义规模不平衡的方法，设计并实现了基于语义规模平衡的学习方法，在多个数据集上得到了优于传统方法的性能表现。

    Dec, 2022

  • 自动发音评估的新型损失函数：保留音素区分的序数回归

    我们提出了一种训练基于回归的自动发音评估模型的方法，通过引入音素 - 对比次序（PCO）损失函数，从而更好地保留了音素类别之间的区分度和回归目标输出的顺序关系，并在一些现有的最先进模型上进行了可行性和有效性的实验证明。

    Oct, 2023

  • PAAPLoss：一种用于语音增强的音韵对齐声学参数损失

    通过基于声学 - 语言学领域的前沿知识，使用神经网络估计器以及音素特定权重等手段，将语音增强模型优化为更接近于真实干净语音的声学参数值，实验结果证明此方法在时间域和时频域均可提升语音增强模型的评估指标，并提供了不同音素间声学参数改善情况的分析。

    Feb, 2023

  • 多语言神经机器翻译的平衡训练

    该论文提出一种利用数据得分器来自动学习如何加权训练数据以最大化所有测试语言性能的方法，优于传统启发式方法，并提供对优化语言的灵活控制。

    Apr, 2020

  • 从多方面评论中学习态度和属性

    本文提出了基于多层次评价维度的评分系统，并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集，证明了该模型的可行性及在现实世界数据上的可扩展性。此外，该模型能够自动学习与特定方面相关的内容词和情感词，从而将评论文本中的内容和情感信息分离开来。

    Oct, 2012

  • 数据失衡的 NLP 任务的 Dice Loss

    本研究提出了一种新的 dice loss 网络训练目标替代 cross-entropy 目标，以解决 NLP 任务中数据失衡的问题，并且在多项任务中均取得了显著的性能提升。

    Nov, 2019

  • 高效语言数据抽样的规模化影响分数

    应用影响力分数评估语言分类任务，通过修剪训练数据来量化准确性变化，并提供基于分数采样的建议，以提高准确性和训练效率。

    Nov, 2023