論文の概要: Personalization of Hearing Aid Compression by Human-In-Loop Deep
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2007.00192v1
- Date: Wed, 1 Jul 2020 02:50:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 23:54:50.373827
- Title: Personalization of Hearing Aid Compression by Human-In-Loop Deep
Reinforcement Learning
- Title(参考訳): 対人深層強化学習による補聴器圧縮のパーソナライズ
- Authors: Nasim Alamdari, Edward Lobarinas, and Nasser Kehtarnavaz
- Abstract要約: 特定のユーザに対して必ずしも最適ではないユーザのグループからのゲイン平均に基づいて、補聴器の既存の規範的圧縮戦略を設計する。
本稿では, 補聴器の圧縮をパーソナライズし, 補聴器の精度向上を図るための, ループ内深部強化学習手法を提案する。
- 参考スコア(独自算出の注目度): 3.402787708517184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing prescriptive compression strategies used in hearing aid fitting are
designed based on gain averages from a group of users which are not necessarily
optimal for a specific user. Nearly half of hearing aid users prefer settings
that differ from the commonly prescribed settings. This paper presents a
human-in-loop deep reinforcement learning approach that personalizes hearing
aid compression to achieve improved hearing perception. The developed approach
is designed to learn a specific user's hearing preferences in order to optimize
compression based on the user's feedbacks. Both simulation and subject testing
results are reported which demonstrate the effectiveness of the developed
personalized compression.
- Abstract(参考訳): 特定のユーザに対して必ずしも最適ではないユーザのグループからのゲイン平均に基づいて、補聴器の既存の規範的圧縮戦略を設計する。
補聴器使用者の半数近くは、通常定められた設定とは異なる設定を好む。
本稿では, 補聴器の圧縮をパーソナライズし, 補聴器の音質を向上する深層強化学習手法を提案する。
提案手法は、ユーザのフィードバックに基づいて圧縮を最適化するために、特定のユーザの聴取好みを学習するように設計されている。
開発したパーソナライズド圧縮の有効性を示すシミュレーションおよび被験者試験結果が報告された。
関連論文リスト
- DASA: Difficulty-Aware Semantic Augmentation for Speaker Verification [55.306583814017046]
本稿では,話者認証のための難易度認識型セマンティック拡張(DASA)手法を提案する。
DASAは、話者埋め込み空間における多様なトレーニングサンプルを、無視できる余分な計算コストで生成する。
最も良い結果は、CN-Celeb評価セット上でのEER測定値の14.6%の相対的な減少を達成する。
論文 参考訳(メタデータ) (2023-10-18T17:07:05Z) - Approximating Human-Like Few-shot Learning with GPT-based Compression [55.699707962017975]
我々は、推論中にデータ圧縮を可能にする、人間のような学習能力を備えた生成事前学習モデルを提案する。
本稿では,GPT(Generative Pre-trained Transformer)を用いてコルモゴロフ複雑性を近似する手法を提案する。
論文 参考訳(メタデータ) (2023-08-14T05:22:33Z) - Evaluating and Optimizing Hearing-Aid Self-Fitting Methods using
Population Coverage [0.4014524824655105]
軽度から軽度に聴力を失う成人は、聴力障害を従来の聴力障害のわずかなコストで治療するために、オーバーザカウンタ補聴器を使用することができる。
これらの製品には、聴覚学者の助けを借りずに、エンドユーザが補聴器を設定できる自己適合方式が組み込まれている。
本稿では,効率的な自己適合手法を設計する方法と,高価なユーザスタディに頼らずに設計の特定の側面を評価することができるかを検討する。
論文 参考訳(メタデータ) (2022-10-25T03:02:55Z) - End-to-End Binaural Speech Synthesis [71.1869877389535]
本稿では,低ビットレート音声システムと強力なデコーダを組み合わせたエンドツーエンド音声合成システムを提案する。
実感的な聴覚シーンを作るために必要な環境効果を捉える上で, 対人的損失がもたらす効果を実証する。
論文 参考訳(メタデータ) (2022-07-08T05:18:36Z) - Personalized Algorithmic Recourse with Preference Elicitation [20.78332455864586]
PEARは、エンドユーザーのニーズに合わせてパーソナライズされたアルゴリズムの講義を提供する。
PEARは、ベイジアン選好引用からの洞察に基づいて、ターゲットユーザに対して選択セットクエリを尋ねることで、アクションのコストを反復的に見積もる。
実世界のデータセットに対する実証的な評価は、PEARがいかに高品質なパーソナライズされたリコースをほんの数イテレーションで生成するかを強調します。
論文 参考訳(メタデータ) (2022-05-27T03:12:18Z) - PL-EESR: Perceptual Loss Based END-TO-END Robust Speaker Representation
Extraction [90.55375210094995]
音声強調は、背景雑音の抑制による音声信号の知覚品質の向上を目的としている。
本稿では,頑健な話者表現抽出のためのエンドツーエンドディープラーニングフレームワークPL-EESRを提案する。
論文 参考訳(メタデータ) (2021-10-03T07:05:29Z) - Test-Time Adaptation Toward Personalized Speech Enhancement: Zero-Shot
Learning with Knowledge Distillation [26.39206098000297]
小型消音モデルをテスト時間特異性に適応させる新しいパーソナライズ音声強調法を提案する。
このテストタイム適応の目標は、テスト話者のクリーンな音声ターゲットを使わないことです。
欠落しているクリーンな発話ターゲットの代わりに、過度に大きな教師モデルからより高度な消音結果を蒸留します。
論文 参考訳(メタデータ) (2021-05-08T00:42:03Z) - DHASP: Differentiable Hearing Aid Speech Processing [23.101074347473904]
聴取者の聴力障害に対する適切な増幅は、良好な演奏に不可欠である。
本稿では,補聴器音声処理フレームワークの導入により,最適な適合度を求めるための代替手法を提案する。
このフレームワークは完全に差別化可能であり、効率的なデータ駆動最適化にバックプロパゲーションアルゴリズムを使用することができる。
最初の目的の実験では、ノイズのない音声増幅に有望な結果が示され、自動最適化されたプロセッサは、よく認識された補聴器処方薬の1つを上回る。
論文 参考訳(メタデータ) (2021-03-15T17:34:22Z) - Self-Supervised Learning from Contrastive Mixtures for Personalized
Speech Enhancement [19.645016575334786]
この研究は、話者固有の特徴を発見するために、自己教師付き学習を普遍的に利用する方法を探求する。
ノイズの多いデータをその場しのぎの訓練対象として扱う,単純なコントラスト学習手法を開発した。
論文 参考訳(メタデータ) (2020-11-06T15:21:00Z) - Human Preference-Based Learning for High-dimensional Optimization of
Exoskeleton Walking Gaits [55.59198568303196]
この研究は、LineCoSparという、高次元でユーザの好みを学習するヒューマン・イン・ザ・ループの好みベースのフレームワークを提示する。
シミュレーションと人為的試行において,LineCoSparは高次元の選好最適化のためのサンプル効率のよい手法であることを実証的に検証した。
この結果はエキソ骨格の歩行合成に影響を及ぼし,臨床応用と患者のリハビリテーションに有効である。
論文 参考訳(メタデータ) (2020-03-13T22:02:15Z) - Speech Enhancement using Self-Adaptation and Multi-Head Self-Attention [70.82604384963679]
本稿では,補助的話者認識機能を用いた音声強調のための自己適応手法について検討する。
テスト発話から直接適応に用いる話者表現を抽出する。
論文 参考訳(メタデータ) (2020-02-14T05:05:36Z)
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。