利用信息论与朴素判别学习建模概率缩减
计算与语言
2025-08-26 v2 信息论
math.IT
摘要
本研究比较了基于信息论的概率预测器与朴素判别学习（NDL）预测器在建模声学词时长中的表现，重点关注概率缩减。我们使用 Buckeye 语料库考察了三种模型：一种使用信息论公式推导预测器的 NDL 模型、一种传统 NDL 模型以及一种 N-gram 概率预测模型。结果表明 N-gram 模型优于两种 NDL 模型，挑战了 NDL 因其认知动机而更有效的假设。然而，将信息论公式融入 NDL 可提升模型性能，优于传统模型。本研究强调了 a) 需要纳入频率和上下文可预测性之外的平均上下文可预测性，以及 b) 在建模声学缩减时结合可预测性的信息论指标与判别学习所得信息的重要性。
引用
@article{arxiv.2506.09641,
title = {Modeling Probabilistic Reduction using Information Theory and Naive Discriminative Learning},
author = {Anna Stein and Kevin Tang},
journal= {arXiv preprint arXiv:2506.09641},
year = {2025}
}
备注
Submitted to Interspeech 2025