1. Deep Learing VS Structured Learning

Deep Learning是指RNN、LSTM、DNN等技术
Structured Learning是指HMM、CRF、SVM、感知机等技术

Deep Learning Structured Learning
无向的RNN不考虑整个序列 使用viterbi[?],需要考虑整个序列
难以考虑label dependency 可以结合label dependency
cost不能反映error cost能反应error
Deep Linear

DL效果更好,但SL也很重要,常常将两者结合,能得到比较好的效果。

DL与SL结合的例子:

  1. 语音识别:CNN/LSTM/DNN + HMM
    HMM公式:
    P(x,y)=P(y1start)l=1L1P(yl+1yl)P(endyL)l=1LP(xlyl) P(x, y) = P(y_1|start)\prod_{l=1}^{L-1}P(y|l+1|y_l)P(end|y_L)\prod_{l=1}^LP(x_l|y_l)

将HMM应用于语音识别,那么x代表声音信号,y代表语音辨识的结果。
公式中第一个连乘代表transition部分。这一部分由HMM训练。
第二个连乘代表initial部分。这一部分由DL提供。
P(xlyl)=P(ylxl)P(xl)P(yl) P(x_l|y_l) = \frac{P(y_l|x_l)P(x_l)}{P(y_l)}

公式中,P(ylxl)P(y_l|x_l)由DL训练,P(x_l)可以忽略,因为xlx_l代表输入,P(yl)P(y_l)通过统计可得。

  1. semantic tagging:双向LSTM + CRF/Structured SVM 先用RNN找出feature
    由这些feature定义ϕ(x,y)\phi(x, y)
    ϕ(x,y)\phi(x, y)用于CRF/SVM

2. is structured learning practical

1:22'12'',这部分没听懂

results matching ""

    No results matching ""