問題 No.622
音声認識システムにおいて入力される音声波形のフレーム数と出力されるテキストの文字数は一致しないためどのフレームがどの文字に対応するかを厳密に紐付けることは困難である。この問題に対し空白を表す特殊なラベルを導入しすべてのアライメントの可能性を周辺化してモデルを直接エンドツーエンドで学習させるための損失関数はどれか。
【正解の解説】
CTC
CTC (Connectionist Temporal Classification)は、音声とテキストの長さが一致しない場合に、空白ラベルを活用して自動的に対応付けを行うための手法です。
スポンサーリンク
【その他の選択肢の解説】
スパースカテゴリカルクロスエントロピー
スパースカテゴリカルクロスエントロピーは、分類問題で正解ラベルと予測の差を計算する一般的な損失関数であり、文字と音声の対応付けには対応していません。
最小二乗法
最小二乗法は、誤差の二乗を最小にする数学的な回帰手法です。音声とテキストのフレーム対応問題には直接使われません。
ユークリッド距離
ユークリッド距離は、空間上の2点間の直線距離を測る指標です。アライメント（位置合わせ）問題を解決するための関数ではありません。