Apprentissage de structures de réseaux bayésiens dynamiques pour la reconnaissance de la parole
Résumé
Nous présentons une méthodologie pour modéliser la parole dans laquelle nous ne faisons aucune hypothèse à priori sur les dépendances entre les variables cachées et observables. Plutôt, nous donnons aux données une liberté complète pour dicter les dépendances appropriées. Cette approche a l'avantage de garantir que le modèle résultant représente la parole avec une plus grande fidélité que les HMM. En outre, un contrôle est donné à l'utilisateur pour faire un compromis entre la fidélité et la complexité du modèle. Nous évaluons le potentiel de notre approche sur une tâche de reconnaissance de chiffres connectés. || We present a speech modeling methodology where no a priori assumption is made on the dependencies between the observed and the hidden speech processes. Rather, dependencies are learned from data. This methodology guarantees improvement in modeling fid