User: Guest  Login
Original title:
Supervised Sequence Labelling with Recurrent Neural Networks 
Translated title:
Überwachtes Labeln von Sequenzen mittels Rekurrenten Neuronalen Netzen 
Year:
2008 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
Schmidhuber, Jürgen (Prof. Dr.) 
Referee:
Kramer, Stefan (Prof. Dr.) 
Language:
en 
Subject group:
DAT Datenverarbeitung, Informatik 
Keywords:
Artificial intelligence, neural networks, sequence learning, speech recognition, handwriting recognition, long short-term memory, connectionist temporal classification, multidimensional neural networks 
Controlled terms:
Rekursives neuronales Netz; Sequenz; Maschinelles Lernen 
TUM classification:
DAT 717d; DAT 708d 
Abstract:
Recurrent neural networks are powerful sequence learners. They are able to incorporate context information in a flexible way, and are robust to localised distortions of the input data. These properties make them well suited to sequence labelling, where input sequences are transcribed with streams of labels. The aim of this thesis is to advance the state-of-the-art in supervised sequence labelling with recurrent networks. Its two main contributions are (1) a new type of output layer that allows r...    »
 
Translated abstract:
Rekurrente Neuronale Netze (RNN) sind mächtige Sequenzlerner. Sie können flexibel mit zeitlich gedehnten Kontexten umgehen und sind robust gegenüber lokalen Eingabestörungen. Dies empfiehlt sie für Sequenzannotationsprobleme, bei denen Eingabeströme auf Reihen symbolischer Markierungen abzubilden sind. Das Ziel dieser Arbeit ist es, den aktuellen Stand der Forschung bei überwachter Sequenzannotation mit RNN voranzubringen. Die Arbeit liefert hierzu zwei wichtige Beiträge: (1) Durch die Einführun...    »
 
Oral examination:
01.07.2008 
Pages:
124 
Last change:
22.03.2011