論文の概要: Co-Initialization of Control Filter and Secondary Path via Meta-Learning for Active Noise Control

• arxiv url: http://arxiv.org/abs/2601.13849v1
• Date: Tue, 20 Jan 2026 11:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.277113
• Title: Co-Initialization of Control Filter and Secondary Path via Meta-Learning for Active Noise Control
• Title（参考訳）: アクティブ騒音制御のためのメタラーニングによる制御フィルタと二次経路の同時初期化
• Authors: Ziyi Yang, Li Rao, Zhengding Luo, Dongyuan Shi, Qirui Huang, Woon-Seng Gan,
• Abstract要約: アクティブノイズコントロール(ANC)は、音響環境が変化すると迅速に適応しなければならない。 モデルに依存しないメタラーニング(MAML)を併用して,制御フィルタと二次パスモデルを協調的に設定する。 オンライン二次経路モデリングFxLMSテストベッドでは、早期エラーの低減、目標までの時間短縮、補助ノイズエネルギーの低減、経路変更後の回復の高速化が期待できる。
• 参考スコア（独自算出の注目度）: 42.54807137876336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active noise control (ANC) must adapt quickly when the acoustic environment changes, yet early performance is largely dictated by initialization. We address this with a Model-Agnostic Meta-Learning (MAML) co-initialization that jointly sets the control filter and the secondary-path model for FxLMS-based ANC while keeping the runtime algorithm unchanged. The initializer is pre-trained on a small set of measured paths using short two-phase inner loops that mimic identification followed by residual-noise reduction, and is applied by simply setting the learned initial coefficients. In an online secondary path modeling FxLMS testbed, it yields lower early-stage error, shorter time-to-target, reduced auxiliary-noise energy, and faster recovery after path changes than a baseline without re-initialization. The method provides a simple fast start for feedforward ANC under environment changes, requiring a small set of paths to pre-train.
• Abstract（参考訳）: アクティブノイズコントロール(ANC)は、音響環境が変化すると迅速に適応する必要があるが、初期化によって初期性能が決定される。 本稿では,FxLMSをベースとしたANCのための制御フィルタと二次パスモデルを協調的に設定し,実行時アルゴリズムを変更せずに,モデル非依存型メタラーニング(MAML)を併用することでこの問題に対処する。 初期化器は、識別を模倣した短い2相内ループと残雑音低減とを併用して、測定された初期係数を簡易に設定して、測定経路の小さなセットで事前訓練される。 オンライン二次経路モデリングFxLMSテストベッドでは、早期エラーの低減、目標達成までの時間短縮、補助ノイズエネルギーの削減、そして再初期化のないベースラインよりも経路変更後の回復を高速化する。 この方法は、環境変化下でフィードフォワードANCに簡単な高速スタートを提供し、事前訓練のための小さなパスセットを必要とする。

関連論文リスト

• SAC Flow: Sample-Efficient Reinforcement Learning of Flow-Based Policies via Velocity-Reparameterized Sequential Modeling [9.936731043466699]
  多段階アクションサンプリングプロセスの勾配が原因で,非政治強化学習による表現型フローベース政策の訓練が不安定であることが知られている。 フローロールアウトはリカレント計算に代数的に等価であり、RNNと同様の消滅や爆発的な勾配に影響を受けやすい。 我々は,これらのポリシーのエンドツーエンドのトレーニングを容易にする,ノイズ強化ロールアウトによって実現された実用的なSACベースのアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-09-30T04:21:20Z)
• HyperFlow: Gradient-Free Emulation of Few-Shot Fine-Tuning [20.308785668386424]
  計算勾配を使わずに勾配降下をエミュレートし,効率的なテスト時間適応を実現する手法を提案する。 具体的には、通常の微分方程式(ODE)のオイラー離散化として勾配降下を定式化し、タスク条件ドリフトを予測するために補助ネットワークを訓練する。 適応は単純な数値積分に還元され、補助ネットワークのわずかな前方通過しか必要としない。
  論文  参考訳（メタデータ） (2025-04-21T03:04:38Z)
• Meta-Learning-Based Delayless Subband Adaptive Filter using Complex Self-Attention for Active Noise Control [11.118668841431562]
  アクティブノイズコントロール問題をメタ学習問題として再検討する。 深層ニューラルネットワークを用いたメタラーニングに基づく遅延レスサブバンド適応フィルタを提案する。 本モデルでは従来の手法に比べてノイズ低減性能が優れている。
  論文  参考訳（メタデータ） (2024-12-27T05:51:40Z)
• Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
  我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。 GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
  論文  参考訳（メタデータ） (2023-12-19T06:06:30Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• A Hybrid SFANC-FxNLMS Algorithm for Active Noise Control based on Deep Learning [17.38644275080562]
  Filtered-X normalized least-mean-square (FxNLMS)アルゴリズムは適応最適化により低い定常誤差を得ることができる。 本稿では,適応アルゴリズムの緩やかな収束を克服するためのハイブリッドSFANC-FxNLMS手法を提案する。 実験の結果,ハイブリッドSFANC-FxNLMSアルゴリズムは高速応答時間,低雑音低減誤差,高強靭性を実現可能であることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T05:42:39Z)
• Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes [71.23286211775084]
  ガウス過程回帰に基づく適応型低域通過フィルタを提案する。 本研究では,提案手法の誤差が一様境界であることを示す。
  論文  参考訳（メタデータ） (2021-11-05T17:06:59Z)
• Online estimation and control with optimal pathlength regret [52.28457815067461]
  オンライン学習アルゴリズムを設計する際の自然なゴールは、入力シーケンスの時間的変動の観点から、アルゴリズムの後悔を束縛することである。 OCOや盗賊など、さまざまなオンライン学習問題に対して、データ依存の「病的」後悔境界が最近取得されている。
  論文  参考訳（メタデータ） (2021-10-24T22:43:15Z)
• Short-Term Memory Optimization in Recurrent Neural Networks by Autoencoder-based Initialization [79.42778415729475]
  線形オートエンコーダを用いた列列の明示的暗記に基づく代替解を提案する。 このような事前学習が、長いシーケンスで難しい分類タスクを解くのにどのように役立つかを示す。 提案手法は, 長周期の復元誤差をはるかに小さくし, 微調整時の勾配伝播を良くすることを示す。
  論文  参考訳（メタデータ） (2020-11-05T14:57:16Z)

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。