Sprachliche Mensch-Maschine-Kommunikation

13.3 Trainingsparadigmen 221
viel wahrscheinlicher ist als die anderen, dann ist davon auszugehen, daß
der Erkenner ” sich seiner Hypothese sehr sicher ist“. Wenn die Wahrscheinlichkeiten
jedoch nahe beieinander liegen, kann man annehmen, daß bereits
eine kleine Änderung der Aufnahme womöglich dazu geführt hätte, daß ein
anderes Wort das wahrscheinlichste geworden wäre. In diesem Fall ist die
Konfidenz in die Hypothese eher gering.
Die Konfidenz kt zum Zeitpunkt t kann nun verwendet werden, um
das Training damit zu gewichten. Wenn kt zwischen 0 und 1 liegt, kann es
direkt auf die γt(i) aufmultipliziert werden bevor die Baum-Welch-Regeln
angewandt werden. Es ist aber auch möglich, einen Schwellwert h zu
definieren, und γt(i) auf 0 (für kt < h) oder 1 (für kt ≥ h) zu setzen.
Diese würde bedeuten, daß ein Training nur auf denjenigen Bereichen einer
Aufnahme stattfinden, auf denen der Erkenner sich einigermaßen sicher
ist, die korrekte Hypothese erzeugt zu haben. Selbstverständlich sind auch
die Konfidenzmaße mit der tatsächlichen Korrektheit bestenfalls korreliert
und geben keineswegs 100%-ige Sicherheit. Allerdings helfen sie deutlich,
den Trainingserfolg auf untranskribierten Daten zu steigern. In [?] wird
festgestellt, daß für die gleiche Steigerung der Erkennungsleistung eines
schlechten Erkenners mit initialer Fehlerrate von 78.5%, etwa 100 mal so viele
untranskribierte Daten benötigt werden wie fehlerfrei transkribierte. Dies
berechtigt auf den ersten Blick durchaus zu Optimismus. Allerdings stellt [?]
auch fest, daß die Gewinnaussichten mit steigender Erkennerqualität sinken.
Das heißt, es ist wesentlich mehr Aufwand und Daten nötig, um einen
bereits guten Erkenner noch besser zu machen. So daß dieses Verfahren nur
bedingt anwendbar ist. In [?] wird berichtet, daß durch dieses Verfahren, ein
Erkenner mit initialer Fehlerrate von 38.8% durch Trainieren auf korrekten
Transkriptionen auf eine Fehlerrate von 24.5% verbesser werden konnte. Die
immer noch beachtliche Verbesserung durch Trainieren auf denselben Daten
ohne Transkriptionen allerdings unter Verwendung eines Konfidenzmaßes
reichte allerdings nur zu einer Fehlerrate von 28.5%.
13.3.3 Momentum und adaptives Training
Gelegentlich kommt es vor, daß heterogene Daten vorliegen und eine
Erkennung auf einer Art von Sprache bzw. Aufnahmequalität durchgeführt
werden muß, die sich deutlich von der Art der Trainingsdaten unterscheidet.
Wenn es möglich ist, wenigstens eine kleine Menge an Aufnahmen der neuen
Art zu erhalten, kann diese kleine Menge verwendet werden, um die Parameter
des Erkenners neu zu schätzen. Selbst wenn dabei davon auszugehen
ist, daß diese kleine Menge besser mit der aktuellen Erkennungsaufgabe
übereinstimmt als die große Menge an Daten, mit denen der Erkenner
trainiert worden war, so wäre es doch meistens nicht sinnvoll, die große