Publication

Latent variable decomposition for posteriors or likelihood based subband ASR

1999
Reports

Résumé

Latent variable decomposition permits factorisation of posterior probability based, or likelihood based, speech unit discriminant functions into a composition of simpler functions which can be analysed separately and evaluated more accurately in the presence of band-limited noise, or other source of data mismatch. See [2,7] for a more self contained introduction to this subject. In this report we present the essential theoretical issues, and implementation details, for the key points concerning this approach to multiband ASR. In particular, we show that the posteriors and likelihood based multiband decompositions are very closely linked.

Source officielle

https://infoscience.epfl.ch/entities/publication/d921418b-0814-4003-90a5-39ec8f0e305d

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

1999
Reports

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/d921418b-0814-4003-90a5-39ec8f0e305d

À propos de ce résultat

Concepts associés (32)

Probabilité a priori

Dans le théorème de Bayes, la probabilité a priori (ou prior) désigne une probabilité se fondant sur des données ou connaissances antérieures à une observation. Elle s'oppose à la probabilité a posteriori (ou posterior) correspondante qui s'appuie sur les connaissances postérieures à cette observation. Le théorème de Bayes s'énonce de la manière suivante : si . désigne ici la probabilité a priori de , tandis que désigne la probabilité a posteriori, c'est-à-dire la probabilité conditionnelle de sachant .

Fonction de vraisemblance

vignette|Exemple d'une fonction de vraisemblance pour le paramètre d'une Loi de Poisson En théorie des probabilités et en statistique, la fonction de vraisemblance (ou plus simplement vraisemblance) est une fonction des paramètres d'un modèle statistique calculée à partir de données observées. Les fonctions de vraisemblance jouent un rôle clé dans l'inférence statistique fréquentiste, en particulier pour les méthodes statistiques d'estimation de paramètres.

Likelihood principle

In statistics, the likelihood principle is the proposition that, given a statistical model, all the evidence in a sample relevant to model parameters is contained in the likelihood function. A likelihood function arises from a probability density function considered as a function of its distributional parameterization argument.

Afficher plus

Publications associées (18)

Afficher plus

Latent variable decomposition for posteriors or likelihood based subband ASR

Chattez avec Graph Search

Nonparametric Variational Information Bottleneck: Attention-based Architectures as Latent Variable Models

Fitting summary statistics of neural data with a differentiable spiking network simulator

Efficient Posterior Exemplar Search Space Hashing Exploiting Class-Specific Sparsity Structures