ラベル付け

モデルを正しくキャリブレーションするためには、データに正しくラベル付けまたは注釈付けすることが必要です。検証データセットとテストデータセットは、正確なラベルを持つことが重要です。それは、これらのデータセットが、学習中と学習完了後に、モデルの性能を判定する基準となるからです。これらのラベルが正確でない場合は、行き詰まってしまいます。学習データのラベルも重要ですが、学習データセットのサイズを考慮すると、これらのラベルは多くの場合別の手法で処理されます。

このセクションでは、まず検証データセットとテストデータセットのラベルを説明し、次に学習データセットを見ていきます。

検証データとテストデータ

検証データは、ネットワークが最終的なアプリケーションで表示するデータを正確に表現している必要があります。まず、検証データは、解決しようとしている問題をほぼ正確に表現する信号を含んでいなければなりません。音声アプリケーションでは、静かな環境で同じマイクを使用して信号を録音し、その後、ノイズ、エコー、残響のレベルを変えて録音する場合があります。

検証データには、手動で追加される可能性のある、いくつかの高品質なラベルが含まれていなければなりません。これこそ、ネットワークに学習してもらいたい内容です。この例では、上部にプロットされた赤いマスクです。

キーワードマスクを付けた領域だけを再生すると、次のように聞こえます。

検証データやテストデータ向けに良質なラベルを実現する方法

トリガーワードのマスクラベルを作成するには、ワードラベルを MATLAB コマンドラインにエクスポートし、数行のコードの後に必要なラベルを得ることができます。 この例のコードはこちらでご確認いただけます。

以下で注釈付けされたセグメントを再生できます。

学習データ

音声録音などの信号データを処理する場合、テラバイトの良質なデータを記録し、手動で正確にラベル付けすることは現実的ではありません。これを回避する方法の 1 つが、類似する課題のためにラベル付けされた既存の録音を使用することです。ライセンスを取得できる研究用のデータセットも良い選択といえます。

学習セットがアプリケーションに合わせて作られたものでなくても問題はありませんが、学習データと検証データの差が大きくなればなるほど、精度の差も大きくなります。

最初は、自動化されたラベル付けアルゴリズムなどの便利な技術をいくつか追加して利用するのがお勧めです。