在小训练集中利用 LSTM 与 HMM 的叠加态数据增强
机器学习
2019-10-25 v1 音频与语音处理
摘要
将音频和图像数据视为具有量子性质（数据由密度矩阵表示），我们通过使用叠加态增强混合训练样本，在 3 层堆叠 LSTM 和 HMM 等训练架构上取得了比普通默认训练和 mix-up 增强更好的结果，并与之进行比较。该增强技术源于 mix-up 方法，但基于量子性质提供了更坚实的理论依据。在俄语音频数字识别任务中，我们使用少 38% 的训练样本通过叠加态增强取得了 3% 的提升（从 68% 到 71%），并且在该任务上使用 HMM 仅训练 500 个样本比 mix-up 增强准确率高出 7.16%。此外，在 MNIST 上使用 3 层堆叠 LSTM 于前 900 个样本取得了比 mix-up 高 1.1% 的准确率。
引用
@article{arxiv.1910.10881,
title = {Superposition as Data Augmentation using LSTM and HMM in Small Training Sets},
author = {Akilesh Sivaswamy and Evgeny Pavlovskiy},
journal= {arXiv preprint arXiv:1910.10881},
year = {2019}
}
备注
Presented on the Quantum Techniques in Machine Learning, 20-24 Oct. 2019, Daejeon, South Korea