論文の概要: Learning to Discover: A Generalized Framework for Raga Identification without Forgetting

• arxiv url: http://arxiv.org/abs/2601.18766v1
• Date: Mon, 26 Jan 2026 18:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:09.013254
• Title: Learning to Discover: A Generalized Framework for Raga Identification without Forgetting
• Title（参考訳）: 発見のための学習: 忘れることなくRagaを識別するための一般的なフレームワーク
• Authors: Parampreet Singh, Somya Kumar, Chaitanya Shailendra Nitawe, Vipul Arora,
• Abstract要約: インド・アート・ミュージック(IAM)におけるラガの識別は、稀に演奏されるラガの存在のため、依然として困難である。 伝統的な分類モデルは、既知のカテゴリの閉集合を仮定して、ラガを認識または意味不明にグループ化することができないため、この設定で苦労する。 最近の研究は、目に見えないラガの分類を試みたが、それらは破滅的な忘れ込みの問題に遭遇し、これまで見たラガの知識は減少している。 我々はラベル付き音声とラベルなし音声の両方を活用する統一学習フレームワークを採用し、そのモデルが未知のRagasに対応する一貫性のあるカテゴリを発見できるようにする。
• 参考スコア（独自算出の注目度）: 5.172225129776909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Raga identification in Indian Art Music (IAM) remains challenging due to the presence of numerous rarely performed Ragas that are not represented in available training datasets. Traditional classification models struggle in this setting, as they assume a closed set of known categories and therefore fail to recognise or meaningfully group previously unseen Ragas. Recent works have tried categorizing unseen Ragas, but they run into a problem of catastrophic forgetting, where the knowledge of previously seen Ragas is diminished. To address this problem, we adopt a unified learning framework that leverages both labeled and unlabeled audio, enabling the model to discover coherent categories corresponding to the unseen Ragas, while retaining the knowledge of previously known ones. We test our model on benchmark Raga Identification datasets and demonstrate its performance in categorizing previously seen, unseen, and all Raga classes. The proposed approach surpasses the previous NCD-based pipeline even in discovering the unseen Raga categories, offering new insights into representation learning for IAM tasks.
• Abstract（参考訳）: インド・アート・ミュージック(IAM)におけるラガの識別は、利用可能なトレーニングデータセットには表示されない数多くの稀なラガが存在するため、依然として困難である。 伝統的な分類モデルは、既知のカテゴリの閉じた集合を仮定するので、以前は目にしなかったラガを認識または有意義にグループ化することができないため、この設定で苦労する。 最近の研究は、目に見えないラガの分類を試みたが、それらは破滅的な忘れ込みの問題に遭遇し、これまで見たラガの知識は減少している。 この問題に対処するために、ラベル付き音声とラベルなし音声の両方を活用する統一学習フレームワークを導入し、既知音声の知識を維持しつつ、未確認ラガに対応する一貫性のあるカテゴリをモデルが発見できるようにする。 我々は、ベンチマークRaga識別データセットでモデルをテストし、これまで見られた、見えない、そしてすべてのRagaクラスを分類するパフォーマンスを実証する。 提案手法は,未確認のRagaカテゴリの発見においても,従来のNCDベースのパイプラインを超え,IAMタスクの表現学習に関する新たな洞察を提供する。

関連論文リスト

• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• Explainable Deep Learning Analysis for Raga Identification in Indian Art Music [1.8477401359673709]
  自動ラガ識別(ARI)のためのCNN-LSTMモデルを訓練する。 我々は、Raga識別にSoundLIMEとGradCAM++というモデル説明可能性技術を使った最初の試みを行っている。 本結果は,人間の理解とモデル理解の相違を顕著に示すものである。
  論文  参考訳（メタデータ） (2024-06-04T16:06:51Z)
• Grow and Merge: A Unified Framework for Continuous Categories Discovery [44.28297337872006]
  我々は、ラベルのないデータがカテゴリ発見システムに継続的に供給されるアプリケーションシナリオに焦点を当てる。 bf成長とマージ(bf GM)のフレームワークを開発し、成長相と融合相を交互に行う。 成長段階において、効果的なカテゴリマイニングのための継続的自己教師付き学習を通じて、特徴の多様性を高める。 マージフェーズでは、成長したモデルを静的モデルとマージして、既知のクラスのパフォーマンスを確実にします。
  論文  参考訳（メタデータ） (2022-10-09T05:49:03Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
  未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
  論文  参考訳（メタデータ） (2022-07-19T04:19:29Z)
• Open-World Semi-Supervised Learning [66.90703597468377]
  本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。 データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。 我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
  論文  参考訳（メタデータ） (2021-02-06T07:11:07Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)
• Open-set learning with augmented categories by exploiting unlabelled data [1.2691047660244337]
  この研究は、拡張されたカテゴリによるオープンセット学習と呼ばれる新しい学習方針の中で、観測されたノーベルカテゴリーと観測されていないノーベルカテゴリを一般化する最初のものである。 我々は,オープン・LACUを,肯定的かつ難解な学習,半教師付き学習,オープン・セット認識の統一政策として導入する。 提案したOpen-LACUは、最先端および第一級の結果を得る。
  論文  参考訳（メタデータ） (2020-02-04T15:32:23Z)

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。