論文の概要: Auto-Tuning Spectral Clustering for Speaker Diarization Using Normalized Maximum Eigengap

• arxiv url: http://arxiv.org/abs/2003.02405v1
• Date: Thu, 5 Mar 2020 02:50:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 07:34:51.699808
• Title: Auto-Tuning Spectral Clustering for Speaker Diarization Using Normalized Maximum Eigengap
• Title（参考訳）: 正規化最大固有値を用いた話者ダイアリゼーションの自動チューニングスペクトルクラスタリング
• Authors: Tae Jin Park, Kyu J. Han, Manoj Kumar, Shrikanth Narayanan
• Abstract要約: 本稿では,話者ダイアリゼーションの文脈において,クラスタリングアルゴリズムのパラメータを自動チューニングできる新しいスペクトルクラスタリングフレームワークを提案する。 CALLHOME評価セットにおける話者誤り率の17%の相対的な改善は,自動チューニングによるスペクトルクラスタリングの有効性を示す。
• 参考スコア（独自算出の注目度）: 43.82618103722998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we propose a new spectral clustering framework that can auto-tune the parameters of the clustering algorithm in the context of speaker diarization. The proposed framework uses normalized maximum eigengap (NME) values to estimate the number of clusters and the parameters for the threshold of the elements of each row in an affinity matrix during spectral clustering, without the use of parameter tuning on the development set. Even through this hands-off approach, we achieve a comparable or better performance across various evaluation sets than the results found using traditional clustering methods that apply careful parameter tuning and development data. A relative improvement of 17% in the speaker error rate on the well-known CALLHOME evaluation set shows the effectiveness of our proposed spectral clustering with auto-tuning.
• Abstract（参考訳）: 本研究では,話者ダイアリゼーションの文脈において,クラスタリングアルゴリズムのパラメータを自動的に調整できる新しいスペクトルクラスタリングフレームワークを提案する。 提案フレームワークは, スペクトルクラスタリングにおいて, パラメータチューニングを使わずに, 正規化最大固有ギャップ(NME)値を用いて, スペクトルクラスタリング中の各行の要素の閾値のクラスタ数とパラメータを推定する。 このハンドオフアプローチでさえ、パラメータチューニングと開発データを慎重に適用する従来のクラスタリング手法を用いた結果よりも、さまざまな評価セットに匹敵する、あるいは優れたパフォーマンスを実現しています。 良く知られたコールホーム評価セットにおける話者誤り率の17%の相対的改善は、自動チューニングによるスペクトルクラスタリングの有効性を示す。

関連論文リスト

• Self-Tuning Spectral Clustering for Speaker Diarization [19.487611671681968]
  我々は,p近傍の親和性行列(SC-pNA)上に,Emphspectral clusteringと呼ばれるスパース親和性行列を生成する新しいプルーニングアルゴリズムを提案する。 提案手法は,外部チューニングデータの必要性を排除し,ノード固有の固定近傍選択を改善する。 挑戦的なDIHARD-IIIデータセットの実験結果は、SC-pNAの優位性を強調している。
  論文  参考訳（メタデータ） (2024-09-16T05:07:47Z)
• A Parameter-free Adaptive Resonance Theory-based Topological Clustering Algorithm Capable of Continual Learning [20.995946115633963]
  本稿では,パラメータ推定手法を導入して連続学習が可能な,パラメータフリーのARTに基づく新しいトポロジクラスタリングアルゴリズムを提案する。 合成および実世界のデータセットによる実験結果から,提案アルゴリズムはパラメータの事前特定なしに,最先端のクラスタリングアルゴリズムよりも優れたクラスタリング性能を有することが示された。
  論文  参考訳（メタデータ） (2023-05-01T01:04:07Z)
• Tight integration of neural- and clustering-based diarization through deep unfolding of infinite Gaussian mixture model [84.57667267657382]
  本稿では,統合フレームワークにトレーニング可能なクラスタリングアルゴリズムを導入する。 話者埋め込みはトレーニング中に最適化され、iGMMクラスタリングに適合する。 実験の結果,提案手法はダイアリゼーション誤差率において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-14T07:45:21Z)
• Personalized Federated Learning via Convex Clustering [72.15857783681658]
  本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。 提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
  論文  参考訳（メタデータ） (2022-02-01T19:25:31Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Applying Semi-Automated Hyperparameter Tuning for Clustering Algorithms [0.0]
  本研究では,クラスタリング問題に対する半自動ハイパーパラメータチューニングのためのフレームワークを提案する。 グリッド検索を使用して一連のグラフを開発し、メトリクスを解釈しやすくし、より効率的なドメイン固有評価に使用できる。 予備的な結果は、内部メトリクスが、開発されたクラスタのセマンティックな品質をキャプチャできないことを示している。
  論文  参考訳（メタデータ） (2021-08-25T05:48:06Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• A Robust Speaker Clustering Method Based on Discrete Tied Variational Autoencoder [27.211505187332385]
  集約階層クラスタ(AHC)に基づく従来の話者クラスタリング手法は、長時間実行の欠点があり、環境騒音に敏感である。 本稿では,相互情報(MI)に基づく新しい話者クラスタリング手法と,雑音に対するロバスト性を高めるためにタイド変分オートエンコーダ(TVAE)の啓蒙の下で,離散変数を持つ非線形モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-04T08:54:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。