양방향 순환 신경망

이 논문의 첫 번째 부분에서는 정규 순환 신경망(RNN)을 양방향 순환 신경망(BRNN)으로 확장합니다. BRNN은 미리 설정된 미래 프레임까지의 입력 정보만 사용하는 제한 없이 훈련될 수 있습니다. 이는 양방향으로 긍정적 및 부정적인 시간 방향으로 동시에 훈련함으로써 달성됩니다. 제안된 네트워크의 구조와 훈련 절차가 설명됩니다. 인공 데이터의 회귀 및 분류 실험에서 제안된 구조는 다른 접근 방식보다 더 나은 결과를 제공합니다. 실제 데이터에 대해 TIMIT 데이터베이스의 음소 분류 실험에서도 동일한 경향이 나타났습니다. 논문의 두 번째 부분에서는 제안된 양방향 구조가 분포의 모양에 대한 명시적 가정 없이 완전 기호 시퀀스의 조건부 후확률을 효율적으로 추정할 수 있도록 쉽게 수정될 수 있음을 보여줍니다. 이 부분에서는 실제 데이터에 대한 실험 결과가 보고됩니다.