基于可学习时延线的可微反馈延迟网络的数据驱动房间声学建模

Mar, 2024

基于可学习时延线的可微反馈延迟网络的数据驱动房间声学建模

Data-Driven Room Acoustic Modeling Via Differentiable Feedback Delay Networks With Learnable Delay Lines

Alessandro Ilic Mezza, Riccardo Giampiccolo, Enzo De Sena, Alberto Bernardini

TL;DR我们提出了一种基于可微分的反馈延迟网络 (FDN) 的参数寻找方法，通过反向传播同时学习每个延迟网络参数，以使其输出呈现出测量的房间脉冲响应的感知特性。通过实验证明，该方法能够产生时间不变和频率无关的 FDN，能够与所需的声学特性紧密匹配，并且优于基于遗传算法和分析滤波器设计的现有方法。

Abstract

Over the past few decades, extensive research has been devoted to the design of artificial reverberation algorithms aimed at emulating the room acoustics of physical environments. Despite significant advancements, automatic parameter tuning of delay-network models remains an open chall

artificial reverberation algorithms parameter tuning feedback delay network (fdn)backpropagation time-domain loss function

发现论文，激发创造

利用神经时滞微分方程进行时滞学习

本文介绍了一种基于延迟微分方程（DDE）的连续时间神经网络方法，使用伴随灵敏度方法从数据中直接学习模型参数和延迟。该方法可以学习 DDE 参数，表现出良好的敏感性分析能力，并涉及到机器学习、动力系统学和神经网络等领域。

Apr, 2023

鲜度还是准确度，何不兼得？通过动态图神经网络解决延迟反馈

在本研究中，我们提出了一种名为 DGDFEM 的延迟反馈建模方法，它使用动态图神经网络来解决预测转化率中的延迟反馈问题，并在模型训练中提出了一种名为 HLGCN 的新型图卷积方法，实现了数据新鲜度和标签准确性的平衡。我们在三个行业数据集上进行了大量实验证明了我们方法的一致优越性。

Aug, 2023

使用延迟反馈的前馈优化神经网络

研究提出了一种名为 Feed-Forward with delayed Feedback (F$^3$) 的算法，它有效地解决了权重传输和更新锁定等核心问题，实现了生物合理性和计算效率，将生物合理性算法和反向传播算法之间的预测性能差距降低了 96%，为低能耗训练和并行化开辟了新的前景。

Apr, 2023

物理信息神经网络的隐式神经表示方法用于重建房间脉冲响应的早期部分

本文提出使用基于物理的神经网络重建声场早期部分，实现了准确的重建且维持轻量架构。

Jun, 2023

DDE-Find: 从数据中学习延迟微分方程

DDE-Find 是一个数据驱动的框架，通过使用基于伴随法的方法来高效计算损失函数相对于模型参数的梯度，实现了从嘈杂且有限数据中学习 DDE 的首个完整框架。

May, 2024

贝叶斯推断与神经估计声波传播

本文提出了一种新颖的框架，将物理和机器学习方法相结合，用于分析声学信号。该框架包括三种方法：用贝叶斯推断法推断谱声学特性，将神经网络配备前向和反向物理损失的神经物理模型，以及用作基准的非线性最小二乘法。推断的传播系数导致室内冲激响应（RIR）量，可用于带有不确定性的重定位。这一框架的简单和高效在模拟数据上得到了实证验证。

May, 2023

延迟反馈下的学习：隐含适应梯度延迟

针对多台异步运行的机器共同访问的内存环境下的随机凸优化问题，我们提出了一种鲁棒的约束训练方法，其非渐近收敛保证不依赖于更新延迟、目标平滑度和梯度方差的先验知识。与此相反，现有方法严重依赖于这些先验知识，因此不适用于所有共享资源的计算环境，如云和数据中心。与现有方法不同，我们的方法可以隐含地适应动态分配机器所带来的延迟变化。

Jun, 2021

随机延迟微分博弈：金融建模与机器学习算法

本论文利用深度学习和循环神经网络的参数化控件，提出了一种找到随机延迟微分博弈的闭环纳什均衡的数值方法，并在金融相关问题上进行了测试。

Jul, 2023

延迟微分神经网络

本文介绍了基于延迟微分方程（DDEs）的一种新型模型延迟微分神经网络（DDNN），其包括两种不同的架构。通过提供一种内存高效的方法计算梯度并反向传播至网络中，DDNN 显著减少了一些最近 ResNet 变体的参数数量并提高了图像分类数据集，例如 Cifar10 和 Cifar100 的效果。

Dec, 2020

基于帧级频谱处理的相位器效果可微灰盒建模

本文提出了一种基于可微分数字信号处理的模型，用于建模像移相器这样控制信号具有低频震荡的调制音效，模型以时间变化频率域滤波器为基础，通过短帧处理来实现。研究发现最佳的帧长与目标效果的速率和瞬态衰减时间有关，但在推理时可以改变帧长而不会对准确性产生显着影响。

Jun, 2023