論文の概要: Online Active Learning For Sound Event Detection

• arxiv url: http://arxiv.org/abs/2309.14460v1
• Date: Mon, 25 Sep 2023 18:48:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 16:16:37.415018
• Title: Online Active Learning For Sound Event Detection
• Title（参考訳）: 音声イベント検出のためのオンラインアクティブラーニング
• Authors: Mark Lindsey, Ankit Shah, Francis Kubala, Richard M. Stern
• Abstract要約: オンラインアクティブラーニング(オンラインアクティブラーニング、OAL)は、分類器の訓練に必要なアノテーションの量を同時に最小化し、データ収集プロセスの期間中のデータの変化に適応するパラダイムである。 本研究は,音事象検出(SED)にOALを適用した場合に,これらの課題に対処する新たな損失関数を提案する。 SONYCデータセットと2つのVTDコーパスによる実験結果から、OALはSED分類器の訓練に要する時間と労力をSONYCの5倍に削減できることが示された。
• 参考スコア（独自算出の注目度）: 7.2152208073052995
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Data collection and annotation is a laborious, time-consuming prerequisite for supervised machine learning tasks. Online Active Learning (OAL) is a paradigm that addresses this issue by simultaneously minimizing the amount of annotation required to train a classifier and adapting to changes in the data over the duration of the data collection process. Prior work has indicated that fluctuating class distributions and data drift are still common problems for OAL. This work presents new loss functions that address these challenges when OAL is applied to Sound Event Detection (SED). Experimental results from the SONYC dataset and two Voice-Type Discrimination (VTD) corpora indicate that OAL can reduce the time and effort required to train SED classifiers by a factor of 5 for SONYC, and that the new methods presented here successfully resolve issues present in existing OAL methods.
• Abstract（参考訳）: データ収集とアノテーションは、教師付き機械学習タスクのための手間のかかる時間を要する前提条件である。 オンラインアクティブラーニング(オンラインアクティブラーニング、OAL)は、分類器の訓練に必要なアノテーションの量を最小化し、データ収集プロセスの期間にわたってデータの変化に適応することにより、この問題に対処するパラダイムである。 以前の研究は、OALでは依然として変動するクラス分布とデータドリフトが一般的な問題であることを示している。 本研究は,oalを音響イベント検出(sed)に適用した場合の課題に対処する新たな損失関数を提案する。 sonycデータセットと2つのvoice-type discrimination(vtd)コーポラによる実験の結果は、oalはsed分類器の訓練に要する時間と労力をソニーcの5倍に削減でき、新しい手法は既存のoal法に存在する問題を解決するのに成功していることを示している。

関連論文リスト

• SUDS: A Strategy for Unsupervised Drift Sampling [0.5437605013181142]
  監視された機械学習は、データ分散が時間とともに変化するコンセプトドリフトに遭遇し、パフォーマンスが低下する。 本稿では,既存のドリフト検出アルゴリズムを用いて,同種サンプルを選択する新しい手法であるドリフトサンプリング戦略(SUDS)を提案する。 本研究は, 動的環境におけるラベル付きデータ利用の最適化におけるSUDSの有効性を示すものである。
  論文  参考訳（メタデータ） (2024-11-05T10:55:29Z)
• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• DIDA: Denoised Imitation Learning based on Domain Adaptation [28.36684781402964]
  ノイズのあるデータから学習するためには、模倣者が必要とされるLND(Learning from Noisy Demonstrations)の問題に焦点を当てる。 本稿では、雑音レベルと専門知識レベルを区別する2つの識別器を設計する、ドメイン適応(DIDA)に基づくDenoized Imitation Learningを提案する。 MuJoCoの実験結果は、DIDAが様々な種類のノイズを持つデモから挑戦的な模倣タスクをうまく処理できることを示した。
  論文  参考訳（メタデータ） (2024-04-04T11:29:05Z)
• Self-Supervised Learning for Anomalous Sound Detection [0.43512163406551996]
  State-of-the-art anomalous Sound Detection (ASD) システムは、しばしば埋め込み空間を学習するために補助的な分類タスクを用いて訓練される。 DCASE2023 ASDデータセットの新たな最先端パフォーマンスが得られ、このデータセット上の他のすべての公開結果よりも大きなマージンでパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-12-15T07:16:12Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [84.61367781175984]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)
• Informative regularization for a multi-layer perceptron RR Lyrae classifier under data shift [3.303002683812084]
  本稿では,情報正規化とアドホックなトレーニング手法に基づくスケーラブルで容易に適応可能なアプローチを提案し,シフト問題を緩和する。 提案手法は,特徴量からの知識をニューラルネットワークに組み込むことで,基礎となるデータシフト問題を管理する。
  論文  参考訳（メタデータ） (2023-03-12T02:49:19Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• A Comparative Survey of Deep Active Learning [76.04825433362709]
  Active Learning (AL)は、ラベル付けのための大きなラベル付けされていないデータプールからデータサンプルを順次選択することで、ラベル付けコストを削減するための一連のテクニックである。 ディープラーニング(DL)はデータハングリーであり、DLモデルのパフォーマンスは、より多くのトレーニングデータとともに単調にスケールする。 近年、Deep Active Learning (DAL) は、高価なラベリングコストを最小化しつつ、モデル性能を最大化するための実現可能なソリューションとして上昇している。
  論文  参考訳（メタデータ） (2022-03-25T05:17:24Z)

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。

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。