单声道音源分离的最大差异生成正则化和非负矩阵分解

Mar, 2024

单声道音源分离的最大差异生成正则化和非负矩阵分解

Maximum Discrepancy Generative Regularization and Non-Negative Matrix Factorization for Single Channel Source Separation

PDF

Martin Ludvigsen, Markus Grasmair

TL;DR通过对极小化和生成式学习的对抗训练方法，我们提出了最大差异生成式正则化的新方法，并应用于非负矩阵分解的源分离问题，实验证明在有限或无监督数据情况下重建信号的质量有明显改进。

Abstract

The idea of adversarial learning of regularization functionals has recently been introduced in the wider context of inverse problems. The intuition behind this method is the realization that it is not only necess

adversarial learning regularization functionals generative models maximum discrepancy generative regularization non-negative matrix factorization

发现论文，激发创造

基于敌对生成非负矩阵分解的单声道源分离

本文介绍了一种对于非负矩阵分解 (NMF) 的对抗训练方法，用于解决源分离问题，通过避免不必要的信号特征的表示此方法可以提高重构信号的精度，尤其在缺乏充足监督数据的情况下有着很好的应用表现。

Apr, 2023

生成对抗源分离

通过实验表明，使用 Wasserstein-GAN 训练的多层感知器在声源分离方面胜过基于最大似然训练的自编码器、变分自编码器和非负矩阵分解等生成源分离方法。

Oct, 2017

一种神经网络替代非负音频模型的方法

本文介绍了一种神经网络，可以代替非负矩阵分解（NMF），并进一步展示如何用它实现监督源分离。由于这种方法的可伸缩性，我们展示了如何实现比 NMF 方法更好的源分离性能，以及提出了多种可用于进一步提高性能的衍生结构。

Sep, 2016

使用生成对抗网络进行单通道信号分离和反卷积

本论文提出了一种基于对抗生成网络和优化算法的合成 - 分解方法，可用于单通道信号分离和反卷积，能够识别混合信号中的各个源，实现了峰值信噪比的提高。

Jun, 2019

通过交替更新的非负矩阵分解恢复保证

本文提出了一种基于生成模型的非负矩阵分解算法，该算法采用 ReLU 对权重进行解码，可以在较宽松条件下恢复基本事实，并且能够容忍大于信号的无偏噪声，分析依赖于两个潜在函数之间的精心设计的耦合。

Nov, 2016

输入引导的多解构单重建神经网络模型用于矩阵分解

基于非负矩阵分解（NMF）概念的 IG-MDSR-NMF 和 IG-MDSR-RNMF 模型，通过发现数据的低秩近似，处理高维数据，并确保模型的非负性约束。与其他九种降维算法相比，两个模型在五个常用数据集上表现出明显的优越性，通过保证数据的局部结构等方面验证了低维嵌入与原始数据的对比，同时还呈现了计算复杂性和收敛性分析，从而证明了这些模型的优势。

May, 2024

具证明性的用于具有强相关性的非负矩阵分解的交替梯度下降算法

本文提出了基于交替梯度下降的算法，证明在强相关性存在的情况下能够恢复真实特征矩阵，并展示了其鲁棒性和优越性。

Jun, 2017

带频率正则化的监督低秩半非负矩阵分解用于时空数据预测

使用监督半非负矩阵分解和频率正则化的新方法，提出了一种预测时空数据的新方法。通过矩阵分解将时空数据分解为空间和时间分量，并引入非负性约束和频率域的正则化来改善时态模式的清晰度。通过在频率域中选择特征，提供了更便于解释的频率域解释。该方法在地球物理数据分析中具有潜在广泛应用，并与 GRACE 数据的先前研究结果相比，提供了更清晰的可解释性。

Nov, 2023

非负矩阵分解的原因和方法

本文介绍了非负矩阵分解的稀疏特征提取功能，并探讨了如何解决通常情况下 NP 困难的 NMF 问题，介绍了一个称为近可分离 NMF 的问题子类，可以高效地解决一些在有噪声的情况下的 NMF 问题。最后简要描述了 NMF 在数学和计算机科学领域的若干相关问题。

Jan, 2014

MMD GANs 的梯度正则化

本文提出了一种基于 MMD 核的 GAN 模型正则化的梯度的原则性方法，证明控制批评者的梯度对于有意义的损失函数至关重要，并设计了一种方法来实施精确、分析梯度约束，使得新的损失函数具有连续性，并证明实验表明它可以稳定和加速训练，为 160 x 160 的 CelebA 数据集和 64 x 64 的无条件 ImageNet 数据集上的图像生成模型提供了优于现有方法的性能。

May, 2018