将异常声音检测视为具有精心挑选代理离群样本的简单二分类问题
音频与语音处理
2020-11-06 v1 机器学习
声音
摘要
无监督异常声音检测关注于识别偏离所谓“正常”的声音，而无需显式指定异常类型。一个重大障碍是离群值的多样性和稀有性，这通常阻碍我们收集一组有代表性的异常声音。因此，大多数异常检测方法使用无监督而非有监督机器学习方法。尽管如此，我们将展示如果将异常样本集精心替换为所谓代理离群值，异常声音检测可有效构建为有监督分类问题。代理离群值的候选者大量可用，因为它们潜在包括所有既非正常也非异常声音的记录。我们使用 2020 年 DCASE 挑战赛的机器状态监测数据集进行实验，发现具有匹配录音条件且与目标声音高相似度的代理离群值尤其具有信息量。如果没有具有相似声音且匹配录音条件的数据，则在这些维度上具有更大多样性的数据集更可取。我们基于使用代理离群值的有监督训练的模型在 DCASE2020 挑战赛任务 2 中获得了第三名。
引用
@article{arxiv.2011.02949,
title = {Anomalous Sound Detection as a Simple Binary Classification Problem with Careful Selection of Proxy Outlier Examples},
author = {Paul Primus and Verena Haunschmid and Patrick Praher and Gerhard Widmer},
journal= {arXiv preprint arXiv:2011.02949},
year = {2020}
}
备注
published in DCASE 2020 Workshop