論文の概要: Self-Supervised Learning for Anomalous Sound Detection

• arxiv url: http://arxiv.org/abs/2312.09578v1
• Date: Fri, 15 Dec 2023 07:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 16:49:36.893012
• Title: Self-Supervised Learning for Anomalous Sound Detection
• Title（参考訳）: 異常音検出のための自己教師付き学習
• Authors: Kevin Wilkinghoff
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.43512163406551996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art anomalous sound detection (ASD) systems are often trained by using an auxiliary classification task to learn an embedding space. Doing so enables the system to learn embeddings that are robust to noise and are ignoring non-target sound events but requires manually annotated meta information to be used as class labels. However, the less difficult the classification task becomes, the less informative are the embeddings and the worse is the resulting ASD performance. A solution to this problem is to utilize self-supervised learning (SSL). In this work, feature exchange (FeatEx), a simple yet effective SSL approach for ASD, is proposed. In addition, FeatEx is compared to and combined with existing SSL approaches. As the main result, a new state-of-the-art performance for the DCASE2023 ASD dataset is obtained that outperforms all other published results on this dataset by a large margin.
• Abstract（参考訳）: 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。 これにより、システムは、ノイズに頑健で、ターゲット外の音声イベントを無視している埋め込みを学習できるが、手動で注釈付きメタ情報をクラスラベルとして使用する必要がある。 しかし、分類作業が困難になればなるほど、埋め込みが減り、さらに悪いことに、結果としてのSD性能が低下する。 この問題の解決策は、自己教師付き学習(SSL)を活用することである。 本稿では,asdに対する単純かつ効果的なsslアプローチであるfeature exchange(featex)を提案する。 さらに、FeatExは既存のSSLアプローチと比較され、組み合わせられている。 その結果、dcase2023 asdデータセットの新たな最先端性能が得られ、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が得られた。

関連論文リスト

• 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)
• Improving a Named Entity Recognizer Trained on Noisy Data with a Few Clean Instances [55.37242480995541]
  クリーンなインスタンスの小さなセットから,ノイズの多いNERデータを誘導することで,ノイズを発生させる手法を提案する。 メインのNERモデルとともに、判別器モデルをトレーニングし、その出力を使用してサンプルの重み付けを校正します。 クラウドソーシングと遠隔監視データセットの結果から,提案手法は少ないガイダンスセットで継続的に性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2023-10-25T17:23:37Z)
• Improving Open-Set Semi-Supervised Learning with Self-Supervision [13.944469874692459]
  オープンセット半教師あり学習(OSSL)は、半教師あり学習における実践的なシナリオを具現化する。 我々は,自己スーパービジョンを通じて,ラベルのないすべてのデータから学習を容易にするOSSLフレームワークを提案する。 提案手法は, 評価されたベンチマーク問題の多くに対して, 最先端の結果をもたらす。
  論文  参考訳（メタデータ） (2023-01-24T16:46:37Z)
• Representation Learning for the Automatic Indexing of Sound Effects Libraries [79.68916470119743]
  タスク固有のがデータセットに依存しない表現は、クラス不均衡、一貫性のないクラスラベル、不十分なデータセットサイズなどのデータ問題にうまく対処できることを示す。 詳細な実験結果は、メトリック学習アプローチと異なるデータセット間の学習方法が表現効率に与える影響を示している。
  論文  参考訳（メタデータ） (2022-08-18T23:46:13Z)
• OpenLDN: Learning to Discover Novel Classes for Open-World Semi-Supervised Learning [110.40285771431687]
  半教師付き学習(SSL)は、教師付き学習のアノテーションボトルネックに対処する主要なアプローチの1つである。 最近のSSLメソッドは、ラベルなしデータの大規模なリポジトリを有効活用して、ラベル付きデータの小さなセットに依存しながら、パフォーマンスを向上させることができる。 この研究は、ペアワイズ類似度損失を利用して新しいクラスを発見するOpenLDNを導入している。
  論文  参考訳（メタデータ） (2022-07-05T18:51:05Z)
• Augmented Contrastive Self-Supervised Learning for Audio Invariant Representations [28.511060004984895]
  ラベルのないデータから不変表現を学習するための拡張コントラスト型SSLフレームワークを提案する。 提案手法はラベルのない入力データに様々な摂動を適用し,コントラスト学習を用いて,そのような摂動に頑健な表現を学習する。
  論文  参考訳（メタデータ） (2021-12-21T02:50:53Z)
• Can semi-supervised learning reduce the amount of manual labelling required for effective radio galaxy morphology classification? [0.0]
  SSLが、ラベル付きデータポイントの数が少ない場合に、現在の監督状態に匹敵するパフォーマンスを達成できるかどうかをテストする。 SSLはさらなるレギュラー化を提供するが、非常に少ないラベルを使用すると性能が急速に低下する。
  論文  参考訳（メタデータ） (2021-11-08T09:36:48Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• OpenMatch: Open-set Consistency Regularization for Semi-supervised Learning with Outliers [71.08167292329028]
  我々はOpenMatchと呼ばれる新しいオープンセットセミスーパーバイザードラーニング(OSSL)アプローチを提案する。 OpenMatchは、1-vs-all(OVA)分類器に基づいた新規検出とFixMatchを統合する。 3つのデータセットで最先端のパフォーマンスを実現し、CIFAR10の未ラベルデータで見えないアウトリーチを検出する上で、完全な教師付きモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-05-28T23:57:15Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。