論文の概要: Evaluating Loss Functions in Differentiable Out-of-Domain Sound-Matching with Partial Parameter Distance
- arxiv url: http://arxiv.org/abs/2608.27698v1
- Date: Thu, 27 Aug 2026 20:33:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.145876
- Title: Evaluating Loss Functions in Differentiable Out-of-Domain Sound-Matching with Partial Parameter Distance
- Title（参考訳）: 部分的パラメータ距離を考慮した個人外音響マッチングにおける損失関数の評価
- Abstract要約: オフ・オブ・ドメイン(OOD)サウンドマッチングでは、シンセサイザーは、生成しない音を模倣するように最適化される。
本稿では,パラメータ損失をパラメータ共有にのみ適用する部分距離(PPD)について紹介する。
ブラインドドリスニングテストで結果を検証する。
- 参考スコア（独自算出の注目度）: 5.834058440486424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In out-of-domain (OOD) sound-matching, a synthesizer is optimized to mimic a sound it did not generate. OOD evaluation of loss functions is underexplored in part because the standard "parameter loss" metric requires a shared parameter space between target and imitator, which OOD settings lack. We introduce Partial Parameter Distance (PPD), which applies parameter loss only to the critical parameters that mismatched synthesizers share (e.g., filter cutoffs), enabling automatically evaluated OOD experiments; we verify its results with blinded listening tests. Across seven scenarios involving band-pass filtering, amplitude modulation, and pitch-bending, we evaluate four differentiable loss functions (SIMSE_Spec, L1_Spec, JTFS, DTW_Envelope). Loss-function effectiveness remains tightly coupled to the method of synthesis: SIMSE_Spec excels at filter-cutoff recovery, DTW_Envelope at amplitude-modulation recovery, and JTFS at smooth pitch trajectories. Parameter-based evaluation agrees with listening tests on the top-ranked loss function in five of seven scenarios, demonstrating its utility as a diagnostic tool.
- Abstract（参考訳）: オフ・オブ・ドメイン(OOD)サウンドマッチングでは、シンセサイザーは、生成しない音を模倣するように最適化される。
損失関数のOOD評価は、OOD設定に欠けている目標と模倣者の間の共有パラメータ空間を必要とするため、一部では過小評価されている。
本稿では,パラメータ損失を合成器が共有する臨界パラメータ(例えばフィルタカットオフ)にのみ適用する部分パラメータ距離(PPD)を導入し,OOD実験の自動評価を可能にした。
帯域通過フィルタ,振幅変調,ピッチ曲げを含む7つのシナリオに対して,SIMSE_Spec, L1_Spec, JTFS, DTW_Envelopeの4つの異なる損失関数を評価した。
SIMSE_Specはフィルタカットオフリカバリ、DTW_Envelopeは振幅変調リカバリ、JTFSは滑らかなピッチトラジェクトリである。
パラメータに基づく評価は、7つのシナリオのうちトップランクの損失関数のリスニングテストと一致し、診断ツールとしての有用性を示す。
関連論文リスト
- Sparse and robust geometric twin support vector machine via asymmetric RoBoSS loss function [4.243926243206826]
本稿では,ラベルノイズの影響を緩和し,境界超平面周辺におけるゼロ平均ノイズを緩和するアルゴリズムを提案する。
また、このアルゴリズムを指標追跡タスクに適用し、中国株式市場のさまざまな指標の結果から、良好なパフォーマンスを達成できることが示される。
論文 参考訳（メタデータ） (2026-08-12T02:19:03Z) - Simulation-Based Plate-Reverb Parameter Estimation from a Single Impulse Response [3.8530395083350615]
本報告では,第1回DAFx推定チャレンジのタスクAに対するシミュレーション学習,非定常推定について述べる。
各非正規化プレート-リバーブインパルス応答は振幅、スペクトル、崩壊記述子で要約され、木の回帰子のアンサンブルは1回のパスで6つのターゲットパラメータを推定する。
論文 参考訳（メタデータ） (2026-08-01T13:20:04Z) - Text-Independent Speaker Identification Using Audio Looping With Margin Based Loss Functions [1.4524462132789562]
畳み込みニューラルネットワークアーキテクチャを用いたテキスト独立話者識別におけるCosFace LossとArcFace Lossの有効性を検討した。
モデル精度とロバスト性への影響を解析するために,両損失関数を実装する。
実験の結果,従来のSoftmax損失法と比較して同定精度が優れていた。
論文 参考訳（メタデータ） (2025-09-26T18:40:32Z) - Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。
最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。
本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
論文 参考訳（メタデータ） (2023-07-13T08:35:40Z) - Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。
4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
論文 参考訳（メタデータ） (2023-01-18T04:54:58Z) - Fully Automated End-to-End Fake Audio Detection [57.78459588263812]
本稿では,完全自動エンドツーエンド音声検出手法を提案する。
まず、wav2vec事前学習モデルを用いて、音声の高レベル表現を得る。
ネットワーク構造には, Light-DARTS という異種アーキテクチャサーチ (DARTS) の修正版を用いる。
論文 参考訳（メタデータ） (2022-08-20T06:46:55Z) - Audio Deepfake Detection Based on a Combination of F0 Information and
Real Plus Imaginary Spectrogram Features [51.924340387119415]
ASVspoof 2019 LAデータセットの実験結果から,提案手法はオーディオディープフェイク検出に非常に有効であることがわかった。
提案方式は音声深度検出作業に非常に有効であり,ほぼ全てのシステムにまたがる等価誤差率(EER)が0.43%に達する。
論文 参考訳（メタデータ） (2022-08-02T02:46:16Z) - Searching Parameterized AP Loss for Object Detection [36.3603004789312]
ロス関数はディープネットワークベースの物体検出器の訓練において重要な役割を果たす。
AP計量の微分不可能な性質のため、従来の物体検出器は2つのサブタスクに対して別々の微分可能な損失を課す。
そこで,パラメータ化関数を導入して,AP計算における非微分可能成分を代用するパラメータ化APロスを提案する。
論文 参考訳（メタデータ） (2021-12-09T18:59:54Z) - Asymmetric Loss Functions for Learning with Noisy Labels [82.50250230688388]
そこで本研究では,様々なノイズに対する雑音ラベルによる学習に頑健な,新しい損失関数,すなわちテクスティタ対称損失関数を提案する。
ベンチマークデータセットの実験結果は、非対称損失関数が最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2021-06-06T12:52:48Z) - Sequence-to-sequence Singing Voice Synthesis with Perceptual Entropy
Loss [49.62291237343537]
本稿では,心理音響聴覚モデルから得られた知覚エントロピー(PE)損失をネットワークの正規化のために提案する。
1時間のオープンソース歌唱音声データベースを用いて,PE損失が各種主流系列列列モデルに与える影響について検討する。
論文 参考訳（メタデータ） (2020-10-22T20:14:59Z) - Auto Seg-Loss: Searching Metric Surrogates for Semantic Segmentation [56.343646789922545]
そこで本研究では,各計量に対する相異なるサロゲート損失を探索することにより,計量固有損失関数の設計を自動化することを提案する。
PASCAL VOCとCityscapesの実験では、探索されたサロゲート損失は手動で設計した損失関数よりも優れていた。
論文 参考訳（メタデータ） (2020-10-15T17:59:08Z) - End-to-End Multi-Task Denoising for joint SDR and PESQ Optimization [43.15288441772729]
ネットワークの騒音は、ノイズの多い音声からマッピングを学習し、それらを直接掃除する。
既存のスキームにはスペクトルと計量ミスマッチの2つの重要な問題がある。
本稿では,SDRとPSSQ最適化を併用した新しいエンドツーエンドデノベーションフレームワークを提案する。
論文 参考訳（メタデータ） (2019-01-26T02:48:08Z)
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。