Jun, 2024

通过非负矩阵分解和探测实现可解释的设计音频分割

PDF
TL;DR提出了一种基于非负矩阵分解的可解释性音频分割模型，该模型在性能和从非负矩阵中提取的潜在表示的深度分析方面取得良好结果，为评估可解释性表示提供了新的视角。
audio segmentationneural networksexplanationsnon-negative matrix factorizationinterpretable representations
发现论文，激发创造
  • 使用非负矩阵分解解决音频分类网络的可解释性问题

    本文针对音频处理网络的可解释性提出两个主要问题设置，后续解释和设计解释。其中，我们提出了一种新颖的解释器设计，结合正则化中间嵌入和预学习 NMF 字典来生成直观的基于音频的解释，以增强与网络决策相关的输入信号的最相关部分。该方法在各种分类任务（包括多标签数据，真实世界的音频和音乐等）中得到了应用。

    May, 2023

  • 可解释的多标签音频分割的代理模型

    本文提出了一种可解释的多标签分割模型，它可以同时解决语音活动、音乐、噪声和重叠说话检测的问题。该模型利用非负矩阵分解将用于分割的嵌入映射到频域，具有良好的解释性特征。实验结果表明，该模型在两个数据集上的性能与预训练的黑盒模型相似，同时能够在段落级别和整体级别上轻松识别用于决策的频率区间。

    Jan, 2024

  • 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

  • 基于非负矩阵分解的多模态多视角聚类

    通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

    Aug, 2023

  • 重新思考隐式神经表示的非负矩阵分解

    非负矩阵分解 (Non-negative Matrix Factorization, NMF) 是一种强大的用于分析规则采样数据的技术，本文将 NMF 表述为连续函数的形式，并展示 NMF 可以扩展到更多不需要规则采样的信号类别。

    Apr, 2024

  • 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

  • 使用非负矩阵分解的有监督和无监督语音增强

    本文提出了一种基于非负矩阵分解的贝叶斯监督算法，通过使用 HMM 和在线学习模型解决了模型训练时的匹配问题，并在实验中得出该方法比竞争方法表现更优的结论。

    Sep, 2017

  • 信号和数据分析的非负矩阵分解：可辨识性，算法和应用

    本文从可识别性的角度出发，详细介绍了非负矩阵分解的模型可识别性及其与算法和应用的联系，帮助研究人员和研究生掌握 NMF 的本质和洞见，避免由于无法识别的 NMF 公式导致的典型‘陷阱’。同时，本文也帮助实践者选择 / 设计适合其问题的分解工具。

    Mar, 2018

  • 通过数据预处理实现稀疏和唯一的非负矩阵分解

    本文介绍了一种基于 M 矩阵理论和非负矩阵分解的几何解释，通过对非负输入数据矩阵的预处理实现更为适合求解的 NMF 问题，其解具有更好的稀疏性和优化性，适用于多种图像数据集。

    Apr, 2012

  • 基于 NMF 的移动眼动数据分析

    利用非负矩阵分解（NMF）方法结合移动眼动跟踪数据的可视化技术，实现了对扫描路径的描述，并识别感兴趣区域，为多个眼动跟踪记录提供探索性分析。

    Apr, 2024