Mar, 2024

基于神经 HSMM 的无监督谐波分析学习与代码质量模板

PDF
TL;DR基于隐性半马尔可夫模型（HSMM），本文提出了一种无监督学习的谐波分析方法。我们引入了和弦质量模板，其指定了给定根音和和弦质量的音高级别的概率。除此之外，构成 HSMM 的其他概率分布通过无监督学习自动学习，这在现有研究中是一个挑战。通过使用现有的标记数据评估了所提出模型的谐波分析结果。虽然我们提出的方法还没有像使用监督学习和复杂规则设计的现有模型那样表现出色，但它具有不需要昂贵标记数据或规则详细说明的优势。此外，我们还展示了基于马尔可夫模型的状态转移概率如何实现无先验知识下的基音识别。
unsupervised learningharmonic analysishidden semi-markov modelchord quality templatestonic recognition
发现论文，激发创造
  • Serenade：一种人 - 机交互自动和弦估计模型

    通过人工和自回归模型共同创建音频音轨的和声标注，我们提出了一种新颖的替代方法， 在自动产生和声预测后，人工稀疏地注释低模型置信度的部分，然后模型根据人工指导调整其预测，我们在一组流行音乐数据集上评估了我们的模型并展示了这种人工参与的提升效果。

    Oct, 2023

  • 学习隐藏量子马尔可夫模型

    本文提出了一种学习算法来从数据中估计 HQMM 的参数，该算法可以模拟经典的 HMM 并放宽了在量子电路上建模 HMM 的限制，同时在合成数据上的试验表明，我们的算法可以学习与真实 HQMM 相同数量状态和预测精度的 HQMM，而用 Baum-Welch 算法学习的 HMM 则需要更多状态才能匹配预测精度。

    Oct, 2017

  • 使用强韧的隐马尔可夫模型自动识别驾驶行为模式

    提出了一种新的鲁棒 HDP-HSMM（rHDP-HSMM）方法，用于减少冗余状态的数量，并改善模型估计的一致性。通过模拟研究和使用自然驾驶数据的案例研究来证明该方法在识别和推断驾驶操纵模式方面的有效性。

    Nov, 2023

  • 谐波机器学习模型的鲁棒性

    用 Harmonic Robustness 方法测试机器学习模型的鲁棒性，无论是在训练过程中还是在黑盒实时推断监控中，该方法基于与谐波均值属性的功能偏差，表明其不稳定性和缺乏可解释性。通过在低维树和前馈神经网络中进行实现示例，该方法可可靠地识别过拟合，并且在更复杂的高维模型（如 ResNet-50 和 Vision Transformer）中，它能够高效地测量图像类别间的对抗性脆弱性。

    Apr, 2024

  • 基于层次概率模型的无监督工作行为模式提取

    提出了一种新的基于高斯过程半马尔可夫模型的工人行为模式提取方法，不需要预先训练，能够自动准确地将连续运动划分为不同的运动类别，并与隐马尔可夫模型进行参数互推，以实现准确的运动模式提取。该方法在实际生产现场的工人装配产品的运动数据上进行了验证，其运动模式的提取精度通过归一化的 Levenshtein 距离（NLD）评估，与基准方法相比，该方法的 GP-HSMM 和 HSMM 层提取的模式 NLD 分别为 0.50 和 0.33，是最小的。

    May, 2024

  • 基于可微分数字信号处理和光谱最优传输的无监督谐波参数估计

    神经音频信号处理中，通过使用基频调节来增强合成器性能，但是通过使用标准的音频重建损失函数联合训练基频估计器和合成器是一种挑战，从而依赖于外部的基频跟踪器。为了解决这个问题，我们提出使用受到最优传输理论启发的谱损失函数来最小化谱能量的位移。我们通过无监督的自编码任务在谐波信号上拟合谐波模板来验证这种方法。我们使用轻量级编码器共同估计基频和谐波的幅度，并使用可微的谐波合成器重构信号。这种方法为改善神经音频应用中的无监督参数估计提供了有前途的方向。

    Dec, 2023

  • 一种基于 LSTM 的和弦生成系统，使用色度直方图表示

    本研究提出了一种基于 LSTM 模型的系统，用于使用基于和弦的色度直方图表示对于单声道符号旋律进行和弦生成。色度表示方法在保持较小的数据集维度的同时，承诺实现更丰富的和谐生成比基于和弦标签的方法。该系统适用于有限的实时应用，能够展示出调性生成以及音律和弦关系，但在一致且长期的生成中未达到最先进水平。同时，强调继续研究色度直方图作为和弦生成任务中的一种提取特征的必要性。

    May, 2024

  • 文本生成的神经模板学习

    本文介绍了一种使用隐藏半马尔科夫模型（HSMM）解码器学习潜在的离散模板以及生成的神经生成系统，展示了该模型学习到有用的模板，从而使生成过程更具可解释性和可控性，并且在真实数据集上的表现与编码器 - 解码器文本生成模型接近。

    Aug, 2018

  • 无监督神经隐藏马尔可夫模型

    本文首次尝试利用神经网络化的无监督隐马尔可夫模型进行标签感知，并证明了该方法在性能上胜过现有的生成式模型，且可轻松扩展以包含更多上下文信息。

    Sep, 2016

  • 量化图上在线半监督学习

    本文提出了一种快速的近似在线半监督学习算法，通过图的近似解决谐波方程，收缩近邻点得到局部代表点最小化畸变，使用这一算法在人脸识别和光学字符识别任务中取得了较好表现并得到了可证明的性能上限。

    Mar, 2012