Universität Bielefeld - Sonderforschungsbereich 360
Neue Wege in der Zeitreihenvorhersage für Spracherkennung und
Roboterkontrolle
Herbert Jaeger
(GMD, St. Augustin)
Abstract:
Hidden Markov Modelle (HMMs) werden weithin zur Modellierung und
Vorhersage stochastischer Zeitreihen eingesetzt. Sie sind die
Kerntechnik für die meisten Sprachverstehenssysteme, werden aber auch
in vielen anderen Gebieten der Signalanalyse eingesetzt. Das Lernen
eines HMMs ist jedoch rechnerisch aufwendig, und der Einsatz der
entsprechenden Algorithmen verlangt beträchtliches Fachwissen. Dies
hängt damit zusammen, daß es keine transparente mathematische Theorie
zu HMMs gibt.
In diesem Vortrag stelle ich eine neue Klasse stochastischer Modelle
vor, die "observable operator models" (OOMs). Sie stellen gegenüber
HMMs in den folgenden Punkten einen Fortschritt dar:
- OOMs sind allgemeiner als HMMs, d.h. können eine echt größere
Klasse von stochastischen Prozessen modellieren.
- OOMs erwachsen aus einer einfachen mathematischen Theorie, die im
wesentlichen aus Grundtechniken der linearen Algebra besteht.
- OOMs können aus empirischen Zeitreihen durch einen konstruktiven,
optimalen, einschrittigen Algorithmus gelernt werden. Dieser ist extrem
schnell und einfach, da er im wesentlichen aus einer einzigen
Matrizeninversion besteht.
- OOMs enthüllen fundamentale Verbindungen zwischen der Theorie
stochastischer Prozesse, der Informationstheorie, der linearen Algebra,
und der Theorie dynamischer Systeme.
Für die KI und die Robotik ist eine inkrementelle Version des
Lernalgorithmus von besonderem Interesse. Er adaptiert rasch an
veränderliche Quellen. Für die Sprachverarbeitung könnte dies die
Adaptierung an wechselnde Sprecher bzw. wechselnde akustische Umgebungen
vereinfachen bzw. ermöglichen. Für die Robotik erlaubt dies eine
rasche adaptive Generierung von Erwartungen über externe und interne
Ereignisse.
Anke Weinberger, 1997-11-06