지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 강필성
- 발행연도
- 2022
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수7
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Wav2vec 2.0은 자동 음성 인식 성능을 효과적으로 향상시킨 종단간 자기 지도 학습 프레임워크이다. 그러나 Wav2vec 2.0과 관련된 실험은 영어 데이터만을 활용하여 수행되었기 때문에 한글과 같이 독특한 언어체계를 갖고 있는 한국어 음성 인식에도 효과적일 수 있는지는 검증되지 않았다. 따라서 본 논문은 Wav2vec 2.0을 한국어에 효과적으로 적용하기 위하여 한국어의 언어적 특징을 탐색하고 최적화한 K-wav2vec 2.0을 제안한다. 미세 조정 단계에서는 한국어의 독특한 쓰기 구조를 반영하기 위해 자소와 음절 출력이 가능한 다중 작업 계층 아키텍처를 제안한다. 또한, 추론 단계에서 학습하지 않은 음절 문제를 완화하기 위하여 음절과 자소를 함께 활용하는 조합 디코더를 적용한다. 자원이 제한된 환경에서 모델의 성능을 향상시키기 위하여 사전 학습 단계에서는 영어 모델을 한국어로 추가 사전 학습하는 방법을 통해 언어 간 전이 학습을 적용한다. Ksponspeech(대규모 한국어 음성 말뭉치)와 Clovacall(통화 기반 대화 말뭉치)에서 음성 인식 성능을 실험한 결과 다중 작업 계층 아키텍처와 조합 디코딩을 적용한 모델은 다양한 평가지표에서 최고의 성능을 기록했다. 또한,
언어 간 전이학습을 위해 적용한 추가 사전 학습 방법론은 추가 데이터 없이도 모델의 음성 인식 성능을 향상시켰다.
언어 간 전이학습을 위해 적용한 추가 사전 학습 방법론은 추가 데이터 없이도 모델의 음성 인식 성능을 향상시켰다.
목차
1 서론 12 선행 연구 42.1 Wav2vec 2.0 아키텍처와 사전 학습 방법 42.2 음성인식 과업에 대한 미세 조정 방법 53 방법론 63.1 다중 과업 계층 아키텍처 63.2 다중 과업 학습 방법론 73.3 조합 디코더 83.4 추가 사전 학습 방법론 104 실험 설계 124.1 실험 데이터 124.2 사전 학습 모델 134.3 미세 조정 전략 144.4 평가 지표 154.5 기준 모델 165 실험 결과 175.1 대용량의 자원을 활용한 음성 인식 175.2 소량의 자원을 활용한 음성 인식 205.3 추가 사전 학습 방법론 비교 225.4 데이터의 속성과 사전 학습의 관계 236 상세 분석 286.1 다중 과업 모델의 자소와 음절의 관계 286.2 조합 디코더의 음절과 자소 기여 가중치 분석 296.3 조합 디코더의 OOV 문제 완화 분석 316.4 추가 사전 학습의 언어 간 전이 분석 327 결론 34참고 문헌 35
최근 본 자료
댓글(0)
0