Fugu-MT 論文翻訳(概要): MemNMF: Memory-Augmented NMF on LPC Spectra for Anomalous Sound Detection

論文の概要: MemNMF: Memory-Augmented NMF on LPC Spectra for Anomalous Sound Detection

arxiv url: http://arxiv.org/abs/2607.22086v1
Date: Fri, 24 Jul 2026 08:34:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:57.08418
Title: MemNMF: Memory-Augmented NMF on LPC Spectra for Anomalous Sound Detection
Title（参考訳）: MemNMF:異常音検出のためのLPCスペクトル上のメモリ拡張NMF
Abstract要約: 自動エンコーダによる異常音検出は, 機械状態監視にとって魅力的である。従来の作業のほとんどはスペクトログラムオートエンコーダを使用していたが、詳細な時間周波数パターンの再構成はノイズや過渡性に敏感である。本稿では,線形予測符号化スペクトルを用いた制約付き再構成手法であるMemNMFを提案する。
参考スコア（独自算出の注目度）: 11.328862535847785
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autoencoder-based anomalous sound detection is attractive for machine condition monitoring because it can be trained using only normal recordings and yields an interpretable anomaly score from reconstruction error. Most prior work uses spectrogram autoencoders, but reconstructing detailed time--frequency patterns is sensitive to noise and transients, and models can reconstruct some anomalous inputs well, weakening normal--anomaly separation. We propose MemNMF, a constrained reconstruction method that operates on the Linear Predictive Coding spectrum, a compact estimate of the spectral envelope. MemNMF initializes a memory module from an NMF dictionary learned on normal LPC spectra and reconstructs each input as an attention-weighted combination of prototypical normal spectral patterns. Experiments on MIMII and DCASE 2020 Task 2 across multiple machine types and operating conditions show that LPC-spectrum inputs improve a standard autoencoder baseline and that MemNMF yields further gains, with especially strong robustness under noisy, non-stationary settings.
Abstract（参考訳）: 自動エンコーダを用いた異常音検出は, 通常の記録のみを用いて訓練し, 再構成誤差から解釈可能な異常スコアを得られるため, 機械状態監視にとって魅力的である。これまでのほとんどの研究はスペクトログラムオートエンコーダを使用していたが、詳細な時間周波数パターンの再構成はノイズや過渡性に敏感であり、モデルはいくつかの異常な入力を適切に再構築し、正常な異常な分離を弱めることができる。本稿では,スペクトル包絡のコンパクトな推定法である線形予測符号化スペクトルを用いた制約付き再構成法であるMemNMFを提案する。 MemNMFは、通常のLPCスペクトルで学習したNMF辞書からメモリモジュールを初期化し、各入力を、原型正規スペクトルパターンの注意重み付けの組み合わせとして再構成する。 MIMIIとDCASE 2020 Task 2を複数のマシンタイプと動作条件で実験した結果、LPCスペクトル入力は標準のオートエンコーダベースラインを改善し、MemNMFはノイズの多い非定常条件下では特に強い堅牢性を持つ、さらなる利得が得られることが示された。

関連論文リスト

S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
論文参考訳（メタデータ） (2026-08-18T08:05:00Z)
SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding [0.0]
SpecMoEは、学習されたスペクトルゲーティングメカニズムによってガイドされるエキスパートフレームワークの混合である。睡眠ステージング、感情認識、運動像分類、異常信号検出、薬物効果予測など、さまざまな脳波デコーディングタスクのセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-03-17T16:20:14Z)
LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
論文参考訳（メタデータ） (2026-02-09T13:33:49Z)
LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
論文参考訳（メタデータ） (2025-06-20T14:48:42Z)
Anomaly Detection via Autoencoder Composite Features and NCE [1.2891210250935148]
オートエンコーダ(AE)または生成モデルは、通常入力のデータ分布をモデル化するためにしばしば使用される。ノイズコントラスト推定(NCE)を訓練したAEと確率モデルの両方が異常検出を行うための非結合型トレーニング手法を提案する。
論文参考訳（メタデータ） (2025-02-04T01:29:22Z)
Machine Anomalous Sound Detection Using Spectral-temporal Modulation Representations Derived from Machine-specific Filterbanks [14.011206544127887]
工場機械の故障の早期発見は産業応用において重要である。機械異常音検出(ASD)では、異なる機械はその物理特性に基づいて独自の振動周波数範囲を示す。人間の聴覚システムは、機械音の時間的およびスペクトル的ダイナミクスの追跡に適している。
論文参考訳（メタデータ） (2024-09-09T04:27:17Z)
Feature Purified Transformer With Cross-level Feature Guiding Decoder For Multi-class OOD and Anomaly Deteciton [22.59400036717643]
本稿では,FPM(Feature Purification Module)とCFGデコーダの2つの革新的なモジュールを組み込んだFUTUREGフレームワークを紹介する。 FPMは、潜在空間内の正規性境界を制約し、異常な特徴を効果的にフィルタリングする。 CFGデコーダは層単位でのエンコーダ表現を使用してフィルタされた特徴の再構築を誘導し、きめ細かい詳細を保存する。
論文参考訳（メタデータ） (2024-04-30T16:45:51Z)
One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文参考訳（メタデータ） (2023-06-06T20:28:37Z)
Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文参考訳（メタデータ） (2023-01-28T01:57:57Z)
SpecGrad: Diffusion Probabilistic Model based Neural Vocoder with Adaptive Noise Spectral Shaping [51.698273019061645]
SpecGradは拡散雑音に適応し、その時間変化スペクトル包絡が条件付き対数メル分光器に近づく。時間周波数領域で処理され、計算コストは従来のDDPMベースのニューラルボコーダとほぼ同じである。
論文参考訳（メタデータ） (2022-03-31T02:08:27Z)
Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection [54.76993389109327]
教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。 AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
論文参考訳（メタデータ） (2022-01-03T03:40:21Z)
Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
論文参考訳（メタデータ） (2021-10-15T18:29:05Z)

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。