論文の概要: On Deep Speech Packet Loss Concealment: A Mini-Survey

• arxiv url: http://arxiv.org/abs/2005.07794v1
• Date: Fri, 15 May 2020 21:37:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 23:53:02.050711
• Title: On Deep Speech Packet Loss Concealment: A Mini-Survey
• Title（参考訳）: 深部音声パケット損失隠蔽について:ミニサーベイ
• Authors: Mostafa M. Mohamed, Mina A. Nessiem, and Bj\"orn W. Schuller
• Abstract要約: パケットロスはVoice over IPを用いたデータ転送において一般的な問題である。 深層学習を用いてパケットロスを解こうとする新たな方法が登場した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Packet-loss is a common problem in data transmission, using Voice over IP. The problem is an old problem, and there has been a variety of classical approaches that were developed to overcome this problem. However, with the rise of deep learning and generative models like Generative Adversarial Networks and Autoencoders, a new avenue has emerged for attempting to solve packet-loss using deep learning, by generating replacements for lost packets. In this mini-survey, we review all the literature we found to date, that attempt to solve the packet-loss in speech using deep learning methods. Additionally, we briefly review how the problem of packet-loss in a realistic setting is modelled, and how to evaluate Packet Loss Concealment techniques. Moreover, we review a few modern deep learning techniques in related domains that have shown promising results. These techniques shed light on future potentially better solutions for PLC and additional challenges that need to be considered simultaneously with packet-loss.
• Abstract（参考訳）: packet-lossは音声 over ip を用いたデータ伝送における一般的な問題である。 問題は古い問題であり、この問題を克服するために様々な古典的アプローチが開発されてきた。 しかし、ジェネレーティブ・アドバーサリアル・ネットワークやオートエンコーダといったディープラーニングモデルや生成モデルの台頭に伴い、失われたパケットの置換を生成することによって、ディープラーニングを使ってパケットロスを解決する新たな方法が登場した。 このミニサーベイでは,これまでに見いだしたすべての文献をレビューし,深層学習手法を用いて音声におけるパケットロスの解消を試みた。 さらに,現実的な環境でパケットロスの問題はどのようにモデル化されているのか,またパケットロス・コンセンサメント技術の評価方法についても概観した。 さらに,有望な結果が得られた関連分野における現代的深層学習手法について概説する。 これらの技術はplcの将来のより良いソリューションと、パケットロスと同時に考慮する必要がある追加の課題に光を当てた。

関連論文リスト

• Learning Gradient Fields for Scalable and Generalizable Irregular Packing [28.814796920026172]
  パッキング問題(英: packing problem)は、切断またはネスト(英: cutting or nesting)としても知られ、物流、製造、レイアウト設計、アトラス生成に様々な応用がある。 機械学習の最近の進歩、特に強化学習は、梱包問題に対処する上で有望であることを示している。 本研究では, 条件付き生成モデルとしてパッキング問題を定式化する, 機械学習に基づく新しい手法を深く研究する。
  論文  参考訳（メタデータ） (2023-10-18T15:52:55Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Deep Learning Techniques for Visual Counting [0.13537117504260618]
  静止画像やビデオフレーム中のオブジェクトをカウントするディープラーニング(DL)技術について検討・拡張を行った。 特に、現在のDLベースのソリューションをトレーニングするために必要なデータ不足に関する課題に取り組みました。
  論文  参考訳（メタデータ） (2022-06-07T06:20:40Z)
• Online Learning of Network Bottlenecks via Minimax Paths [6.316693022958221]
  ミニマックス経路の抽出によるネットワークのボトルネック同定について検討する。 次に、元の目的を近似した代替問題定式化を考案する。 実世界の有向・無向ネットワーク上での近似定式化によりトンプソンサンプリングの性能を実験的に評価した。
  論文  参考訳（メタデータ） (2021-09-17T11:11:50Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
  本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。 まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。 次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-15T14:19:55Z)
• Instance exploitation for learning temporary concepts from sparsely labeled drifting data streams [15.49323098362628]
  ストリーミングデータソースからの継続的な学習がますます人気を博している。 動的で絶え間ない問題に対処することは 新たな課題を引き起こします 最も重要な制限の1つは、有限で完全なデータセットにアクセスできないことである。
  論文  参考訳（メタデータ） (2020-09-20T08:11:43Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)
• Binary Neural Networks: A Survey [126.67799882857656]
  バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。 バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。 本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
  論文  参考訳（メタデータ） (2020-03-31T16:47:20Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。