文献

J-GLOBAL ID：201802286755953539   整理番号：18A0166167

変性反復しきい値処理による音声分離のための深層再発NMF【Powered by NICT】

Deep recurrent NMF for speech separation by unfolding iterative thresholding

著者 (4件)： Wisdom Scott (Department of Electrical Engineering, University of Washington, Seattle, WA, USA) ,  Powers Thomas (Department of Electrical Engineering, University of Washington, Seattle, WA, USA) ,  Pitton James (Department of Electrical Engineering, University of Washington, Seattle, WA, USA) ,  Atlas Les (Department of Electrical Engineering, University of Washington, Seattle, WA, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： WASPAA  ページ： 254-258  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,音声分離のための新しいリカレントニューラルネットワークアーキテクチャを提案した。このアーキテクチャは,スペクトログラムのスパース非負行列因数分解(NMF)のための最適化問題を解決する逐次反復ソフト閾値アルゴリズム(ISTA)の反復をアンフォールディングして構築した。はこのネットワークアーキテクチャ深い再発NMF(DR NMF)と名付けた。提案したDR NMFネットワークは三つの明確な利点を有している。,DR NMFは,他の深部構造よりも良好な解釈可能性を提供し,量はNMFモデルパラメータ,訓練の後でさえ,に対応するからである。解釈可能性も従来型ランダム初期化と比較して,良好な解への速い訓練と収束を可能にする原理に基づく初期化を提供した。第二に,多くの深いネットワークのような,DR NMFはNMFよりも試験時間で早く一次の大きさであり,ネットワーク出力の計算は各時間ステップで数層を評価することである。第三に,限られた量の訓練データが利用可能であるときに,DR NMFはスパースNMFと最新の長短記憶(LSTM)ネットワークに比べてより強い一般化と分離性能を示した。大量の訓練データが利用可能なとき,DR NMFはLSTMネットワークと比較して低いまだ競争分離性能を達成した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： アルゴリズム ,  ネットワークアーキテクチャ ,  最適化問題 ,  *再発 ,  ネットワーク ,  計算機アーキテクチャ ,  デコンボリューション
準シソーラス用語： 分離性能 ,  訓練データ ,  時間ステップ ,  モデルパラメータ ,  非負行列因子分解 ,  スペクトログラム ,  *音声分離 ,  *閾値処理 , 【Automatic Indexing@JST】

分類 (2件)： 計算機網  (JC03000K) ,  光通信方式・機器  (ND10000B)

タイトルに関連する用語 (7件)： 変性 ,  反復 ,  しきい値処理 ,  音声分離 ,  深層 ,  再発 ,  NMF