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