连接主义时间分类

连接主义时间分类（CTC）是一种神经网络输出和相关的评分函数，用于训练递归神经网络（RNN），如LSTM网络，以解决时间可变的序列问题。它可用于在线手写识别或识别语音音频中的电话等任务。CTC指的是输出和计分，与底层神经网络结构无关。输入是一连串的观察值，而输出是一连串的标签，其中可以包括空白输出。训练的难度来自于观察值比标签的数量多。例如，在语音音频中，可能有多个时间片对应于一个音素。由于我们不知道观察到的序列与目标标签的对齐情况，所以我们在每个时间段预测一个概率分布。

一个CTC网络有一个连续的输出，它通过训练来拟合标签的概率。CTC并不试图学习边界和时间。如果标签序列只在排列上有差异，就被认为是等价的，忽略空白。相等的标签序列可以以多种方式出现--这使得评分成为一项非艰巨的任务，但有一种有效的前向-后向算法来实现。然后，CTC的分数可以与反向传播算法一起使用，以更新神经网络的权重。适应CTC的神经网络的替代方法包括隐马尔可夫模型。