Fugu-MT 論文翻訳(概要): Adversarial Generative NMF for Single Channel Source Separation

論文の概要: Adversarial Generative NMF for Single Channel Source Separation

arxiv url: http://arxiv.org/abs/2305.01758v1
Date: Mon, 24 Apr 2023 09:26:43 GMT
ステータス: 処理完了
システム内更新日: 2023-05-07 15:54:04.397532
Title: Adversarial Generative NMF for Single Channel Source Separation
Title（参考訳）: 単一チャネル源分離のための逆生成nmf
Authors: Martin Ludvigsen and Markus Grasmair
Abstract要約: 非負行列分解(NMF)によるソース分離問題にこの考え方を適用する。画像と音声の分離に関する数値実験において、これは再構成された信号の明確な改善につながることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The idea of adversarial learning of regularization functionals has recently been introduced in the wider context of inverse problems. The intuition behind this method is the realization that it is not only necessary to learn the basic features that make up a class of signals one wants to represent, but also, or even more so, which features to avoid in the representation. In this paper, we will apply this approach to the problem of source separation by means of non-negative matrix factorization (NMF) and present a new method for the adversarial training of NMF bases. We show in numerical experiments, both for image and audio separation, that this leads to a clear improvement of the reconstructed signals, in particular in the case where little or no strong supervision data is available.
Abstract（参考訳）: 正規化関数の逆学習という考え方は、最近逆問題のより広い文脈で導入されている。この手法の背景にある直観は、自分が表現したい信号のクラスを構成する基本的な特徴を学ぶだけでなく、表現において避けるべき特徴、あるいはそれ以上のことを学ぶ必要があるという認識である。本稿では,非負行列分解(NMF)による音源分離問題に本手法を適用し,NMFベースに対する対角的学習法を提案する。画像と音声を分離する数値実験では、特に強い監視データがほとんど、あるいは全くない場合には、再構成信号が明らかに改善されることが示されている。

関連論文リスト

Inverse-RLignment: Inverse Reinforcement Learning from Demonstrations for LLM Alignment [62.05713042908654]
本稿では,これらの課題を克服するために,高品質な実演データを活用する新しいアプローチであるAlignment from Demonstrations (AfD)を紹介する。 AfDをシーケンシャルな意思決定フレームワークで形式化し、報酬信号の欠如というユニークな課題を強調します。そこで本研究では,AfD に適した報酬モデル上で補間を行う計算効率のよいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-24T15:13:53Z)
Maximum Discrepancy Generative Regularization and Non-Negative Matrix Factorization for Single Channel Source Separation [0.0]
本稿では,正規化関数の逆学習の概念を生成モデルの学習に適用する。画像と音声の分離の数値実験において、再構成された信号が明らかに改善されることが示されている。
論文参考訳（メタデータ） (2024-03-26T15:16:01Z)
Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
論文参考訳（メタデータ） (2023-10-22T04:06:44Z)
Federated Representation Learning via Maximal Coding Rate Reduction [109.26332878050374]
本稿では,複数のクライアントに分散したデータセットから低次元表現を学習する手法を提案する。提案手法はFLOWと呼ばれ, MCR2を選択の対象とし, その結果, クラス間判別とクラス内圧縮の両方が可能な表現が得られた。
論文参考訳（メタデータ） (2022-10-01T15:43:51Z)
Invariant Causal Mechanisms through Distribution Matching [86.07327840293894]
本研究では、因果的視点と不変表現を学習するための新しいアルゴリズムを提供する。実験により,このアルゴリズムは様々なタスク群でうまく動作し,特にドメインの一般化における最先端のパフォーマンスを観察する。
論文参考訳（メタデータ） (2022-06-23T12:06:54Z)
Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature Representation [9.844796520630522]
非負行列分解(NMF)は、機械学習における次元の減少に広く用いられている。従来のNMFは、ノイズに敏感であるように、アウトリーチを適切に扱わない。本稿では,各データポイントの異なる重要性を強調するため,重み付き適応重み付きNMFを提案する。
論文参考訳（メタデータ） (2022-06-07T05:27:08Z)
Finding Rule-Interpretable Non-Negative Data Representation [2.817412580574242]
ルールベース記述と部分ベース表現の利点を融合したNMF方式を提案する。提案手法は、集中型埋め込みや教師付きマルチラベルNMFの実行といったタスクにおいて、多くの利点を提供する。
論文参考訳（メタデータ） (2022-06-03T10:20:46Z)
Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文参考訳（メタデータ） (2021-03-24T21:17:17Z)
FLAMBE: Structural Complexity and Representation Learning of Low Rank MDPs [53.710405006523274]
この研究は、表現学習の問題に焦点を当てている。基礎となる(未知の)力学が低階遷移行列に対応するという仮定の下で、表現学習問題と特定の非線形行列分解問題との関連性を示す。低階遷移モデルにおけるRLの探索と表現学習を行うFLAMBEを開発した。
論文参考訳（メタデータ） (2020-06-18T19:11:18Z)
Sparse Separable Nonnegative Matrix Factorization [22.679160149512377]
非負行列分解(NMF)の新しい変種を提案する。分離性は、第1NMF因子の列が入力行列の列に等しいのに対して、スパース性は第2NMF因子の列がスパースであることが要求される。雑音のない環境では、軽微な仮定の下で、我々のアルゴリズムが真に根底にある情報源を復元することを証明する。
論文参考訳（メタデータ） (2020-06-13T03:52:29Z)
Theory inspired deep network for instantaneous-frequency extraction and signal components recovery from discrete blind-source data [1.6758573326215689]
本稿では、未知の信号成分を回収する逆問題と周波数の抽出について考察する。既存の分解法やアルゴリズムでは、この逆問題を解くことはできない。本稿では、ブラインドソース信号の非一様サンプリングが可能な離散サンプルセットを直接ベースとしたディープニューラルネットワークの合成を提案する。
論文参考訳（メタデータ） (2020-01-31T18:54:00Z)

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。