Fugu-MT 論文翻訳(概要): Bayesian inference and neural estimation of acoustic wave propagation

論文の概要: Bayesian inference and neural estimation of acoustic wave propagation

arxiv url: http://arxiv.org/abs/2305.17749v1
Date: Sun, 28 May 2023 15:14:46 GMT
ステータス: 処理完了
システム内更新日: 2023-05-30 16:58:21.450019
Title: Bayesian inference and neural estimation of acoustic wave propagation
Title（参考訳）: 音波伝搬のベイズ推定とニューラル推定
Authors: Yongchao Huang, Yuhang He, Hong Ge
Abstract要約: 本稿では,物理と機械学習を組み合わせて音響信号を解析する新しい枠組みを提案する。この課題のために, スペクトル音響特性を推定するベイズ推定法, 前方および後方の物理的損失をニューラルネットワークに装備するニューラルネットワーク物理モデル, ベンチマークとして機能する非線形最小二乗法, の3つの手法が開発された。このフレームワークの単純さと効率性は、シミュレーションデータ上で実証的に検証されている。
参考スコア（独自算出の注目度）: 10.980762871305279
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work, we introduce a novel framework which combines physics and machine learning methods to analyse acoustic signals. Three methods are developed for this task: a Bayesian inference approach for inferring the spectral acoustics characteristics, a neural-physical model which equips a neural network with forward and backward physical losses, and the non-linear least squares approach which serves as benchmark. The inferred propagation coefficient leads to the room impulse response (RIR) quantity which can be used for relocalisation with uncertainty. The simplicity and efficiency of this framework is empirically validated on simulated data.
Abstract（参考訳）: 本研究では,物理と機械学習を組み合わせて音響信号を解析する新しい枠組みを提案する。この課題に対して, スペクトル音響特性を推定するためのベイズ推定手法, 前方および後方の物理的損失をニューラルネットワークに装備するニューラルネットワーク物理モデル, ベンチマークとして機能する非線形最小二乗手法の3つの手法を開発した。推定伝搬係数は、不確実性のある再局在に使用できる室インパルス応答(RIR)量につながる。このフレームワークの単純さと効率性は、シミュレーションデータ上で実証的に検証される。

関連論文リスト

Deep Learning and genetic algorithms for cosmological Bayesian inference speed-up [0.0]
本稿では,ネストサンプリングアルゴリズムに特化してベイズ推論を高速化する新しい手法を提案する。提案手法は,ベイズ推論過程における確率関数を動的に近似するために,フィードフォワードニューラルネットワークを用いてディープラーニングのパワーを利用する。この実装はネストサンプリングアルゴリズムと統合され、単純な宇宙学のダークエネルギーモデルと多様な観測データセットの両方を用いて徹底的に評価されている。
論文参考訳（メタデータ） (2024-05-06T09:14:58Z)
Neural Acoustic Context Field: Rendering Realistic Room Impulse Response With Neural Fields [61.07542274267568]
このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。 RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
論文参考訳（メタデータ） (2023-09-27T19:50:50Z)
Implicit neural representation with physics-informed neural networks for the reconstruction of the early part of room impulse responses [16.89505645696765]
物理インフォームドニューラルネットワークを用いて、欠室インパルス応答の初期部分を線形配列で再構成する。提案モデルは,最先端の深層学習および圧縮センシング技術に関して,高精度な再構築と性能を実現する。
論文参考訳（メタデータ） (2023-06-20T13:01:00Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
高雑音および地中設定におけるインパルス応答推定は難しい問題である。本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-07T18:57:23Z)
Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference [7.888755225607877]
本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
論文参考訳（メタデータ） (2021-10-01T14:35:46Z)
Mean absorption estimation from room impulse responses using virtually supervised learning [0.0]
本稿では,室内インパルス応答(RIR)のみから平均吸収係数を推定する新しい手法を紹介し,検討する。この逆問題は、仮想教師付き学習、すなわち、人工ニューラルネットワークを用いたシミュレーションデータセット上の回帰によって暗黙的に学習される。
論文参考訳（メタデータ） (2021-09-01T14:06:20Z)
Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文参考訳（メタデータ） (2021-06-23T18:00:05Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。提案手法の有効性を,固有値推定と予測性能の観点から実証した。
論文参考訳（メタデータ） (2020-12-11T08:34:26Z)
Lightning-Fast Gravitational Wave Parameter Inference through Neural Amortization [6.810835072367285]
ニューラルシミュレーションに基づく推論の最近の進歩は、推論時間を最大3桁スピードアップすることができる。シミュレーションされた重力波のパラメータの信頼区間を精度良く推定する。
論文参考訳（メタデータ） (2020-10-24T16:48:24Z)

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。