論文の概要: LipsAM: Lipschitz-Continuous Amplitude Modifier for Audio Signal Processing and its Application to Plug-and-Play Dereverberation

• arxiv url: http://arxiv.org/abs/2603.21684v1
• Date: Mon, 23 Mar 2026 08:15:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.559536
• Title: LipsAM: Lipschitz-Continuous Amplitude Modifier for Audio Signal Processing and its Application to Plug-and-Play Dereverberation
• Title（参考訳）: LipsAM:Lipschitz-Continuous Amplitude Modifier for Audio Signal Processing と Plug-and-Play Dereverberation への応用
• Authors: Kazuki Matsumoto, Ren Uchida, Kohei Yatabe,
• Abstract要約: 本稿では、音声信号を扱うための一般的なアーキテクチャである振幅変調器(AM)について考察し、そのLipschitz-Continuous variantを提案し、これをLipsAMと呼ぶ。 AMがリプシッツ連続であることの十分条件を証明し、LipsAMの例として2つのアーキテクチャを提案する。 提案手法をLug-and-Playアルゴリズムに適用し,その安定性を数値実験により実証した。
• 参考スコア（独自算出の注目度）: 12.30526201809098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The robustness of deep neural networks (DNNs) can be certified through their Lipschitz continuity, which has made the construction of Lipschitz-continuous DNNs an active research field. However, DNNs for audio processing have not been a major focus due to their poor compatibility with existing results. In this paper, we consider the amplitude modifier (AM), a popular architecture for handling audio signals, and propose its Lipschitz-continuous variants, which we refer to as LipsAM. We prove a sufficient condition for an AM to be Lipschitz continuous and propose two architectures as examples of LipsAM. The proposed architectures were applied to a Plug-and-Play algorithm for speech dereverberation, and their improved stability is demonstrated through numerical experiments.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)の堅牢性は、リプシッツ連続性を通じて証明できるため、リプシッツ連続DNNの構築を活発な研究分野にしている。 しかし、既存の結果との互換性が低かったため、オーディオ処理用のDNNは注目されていない。 本稿では、音声信号を扱うための一般的なアーキテクチャである振幅変調器(AM)について考察し、そのLipschitz-Continuous variantを提案し、これをLipsAMと呼ぶ。 AMがリプシッツ連続であることの十分条件を証明し、LipsAMの例として2つのアーキテクチャを提案する。 提案手法をLug-and-Playアルゴリズムに適用し,その安定性を数値実験により実証した。

関連論文リスト

• ECLipsE-Gen-Local: Efficient Compositional Local Lipschitz Estimates for Deep Neural Networks [4.752559512511423]
  リプシッツ定数は、摂動を入力するためのニューラルネットワークの堅牢性を証明するための鍵となる尺度である。 リプシッツ定数を推定する標準的な手法は、ネットワークサイズに劣る大きな行列半定プログラム(SDP)を解くことである。 本稿では,ディープフィードフォワードニューラルネットワークに対するタイトでスケーラブルなリプシッツ推定を行う合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-06T18:26:46Z)
• Improved Scalable Lipschitz Bounds for Deep Neural Networks [3.195044561824979]
  我々は、ECLipsE-Fastより優れた性能を実現するために、拡張性のあるリプシッツ境界の新たなファミリーを開発する。 具体的には、LipSDPの可能な点のより一般的なパラメータ化を利用して、様々な閉形式リプシッツ境界を導出する。 さらに,本手法はECLipsE-Fastを特殊なケースとして含み,拡張性のあるリプシッツ境界のクラスをはるかに大きくすることを示す。
  論文  参考訳（メタデータ） (2025-03-18T14:39:47Z)
• The Lipschitz-Variance-Margin Tradeoff for Enhanced Randomized Smoothing [85.85160896547698]
  ディープニューラルネットワークの現実的な応用は、ノイズの多い入力や敵攻撃に直面した場合、その不安定な予測によって妨げられる。 入力にノイズ注入を頼りに、認証された半径を持つ効率的な分類器を設計する方法を示す。 新たな認証手法により、ランダムな平滑化による事前学習モデルの使用が可能となり、ゼロショット方式で現在の認証半径を効果的に改善できる。
  論文  参考訳（メタデータ） (2023-09-28T22:41:47Z)
• Rethinking Lipschitz Neural Networks for Certified L-infinity Robustness [33.72713778392896]
  我々はブール関数を表す新しい視点から、認証された$ell_infty$について研究する。 我々は、先行研究を一般化する統一的なリプシッツネットワークを開発し、効率的に訓練できる実用的なバージョンを設計する。
  論文  参考訳（メタデータ） (2022-10-04T17:55:27Z)
• Lipschitz Continuity Retained Binary Neural Network [52.17734681659175]
  我々は,BNNのモデルロバスト性を定義するための厳密な基準として,リプシッツ連続性を導入する。 次に、モデルロバスト性を改善するための正規化項としてリプシッツ連続性を維持することを提案する。 実験により,我々のBNN固有の正規化手法は,BNNの堅牢性を効果的に強化できることが証明された。
  論文  参考訳（メタデータ） (2022-07-13T22:55:04Z)
• Chordal Sparsity for Lipschitz Constant Estimation of Deep Neural Networks [77.82638674792292]
  ニューラルネットワークのリプシッツ定数は、画像分類の堅牢性、コントローラ設計の安全性、トレーニングデータを超えた一般化性を保証する。 リプシッツ定数の計算はNPハードであるため、リプシッツ定数を推定する手法はスケーラビリティと精度のトレードオフをナビゲートする必要がある。 本研究では,LipSDPと呼ばれる半定値プログラミング手法のスケーラビリティフロンティアを大幅に推し進め,精度の損失をゼロにする。
  論文  参考訳（メタデータ） (2022-04-02T11:57:52Z)
• LipBaB: Computing exact Lipschitz constant of ReLU networks [0.0]
  LipBaBは、ディープニューラルネットワークのローカルLipschitz定数の認定境界を計算するためのフレームワークです。 このアルゴリズムは任意の p-ノルムに対するリプシッツ定数の正確な計算を提供することができる。
  論文  参考訳（メタデータ） (2021-05-12T08:06:11Z)
• Lipschitz Recurrent Neural Networks [100.72827570987992]
  我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。 実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-22T08:44:52Z)
• On Lipschitz Regularization of Convolutional Layers using Toeplitz Matrix Theory [77.18089185140767]
  リプシッツ正則性は現代のディープラーニングの重要な性質として確立されている。 ニューラルネットワークのリプシッツ定数の正確な値を計算することはNPハードであることが知られている。 より厳密で計算が容易な畳み込み層に対する新しい上限を導入する。
  論文  参考訳（メタデータ） (2020-06-15T13:23:34Z)
• The Lipschitz Constant of Self-Attention [27.61634862685452]
  ニューラルネットワークのリプシッツ定数は、ディープラーニングにおいて様々な文脈で研究されている。 配列モデリングに広く用いられている非線形ニューラルネットワークモジュールである自己アテンションのリプシッツ定数について検討する。
  論文  参考訳（メタデータ） (2020-06-08T16:08:38Z)

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。