امروزه بسیاری از کاربردها نیازمند بازشناسی یک دنباله برچسب از یک داده هستند. یکی از بهترین مدل‌ها برای پردازش این نوع داده‌ها شبکه‌های عصبی بازگشتی است. اما این نوع شبکه‌ها برای یادگیری نیاز به داده‌ی از پیش تقطیع شده دارند. با قرار دادن طبقه‌بند زمانی اتصال‌گرا در قسمت خروجی این شبکه‌ها می‌توان این مشکل را حل کرد. اما طبقه‌بند زمانی اتصال‌گرا توانایی یادگیری روابط زمانی را ندارد. همچنین توانایی این مدل در تشخیص محل دقیق برچسب و بازگرداندن آن به ازای قاب‌های مشخص، با افزایش طول داده، کاهش می‌یابد. دلیل این مشکل عدم تعیین مکان برچسب‌ها در طول داده است. هدف ما افزایش کارایی طبقه‌بند زمانی اتصال‌گرا است؛ به صورتی که هم دقت یادگیری افزایش یابد و هم خطای بازگشتی به صورت دقیق‌تری به قاب‌ها بازگردانده شود. به همین دلیل ابتدا تعداد حالات مرتبط با هر برچسب را در این مدل افزایش می‌دهیم تا علاوه بر یادگیری روابط بین برچسبی، روابط درون برچسبی را نیز یاد بگیریم. سپس بجای استفاده از روش نظارتی ضعیف از روش نیمه نظارتی در سطح قاب برای آموزش استفاده می‌کنیم. یعنی علاوه بر ترتیب برچسب‌ها، از ناحیه تقریبی حضور برچسب‌ها نیز در آموزش استفاده می‌کنیم. این کار علاوه بر افزایش قدرت یادگیری، باعث کاهش زمان اجرا در طبقه‌بندی زمانی اتصال‌گرا می‌شود. آزمایش‌های ما روی مجموعه داده‌های بازشناسی عمل و متن نشان می‌دهد که مدل ما در مقایسه با طبقه‌بند زمانی اتصال‌گرای استاندارد، بهتر عمل می‌کند.

کلمات کلیدی