基于批次均匀化最小化基于DNN的声音异常检测最大异常分数
音频与语音处理
2019-07-22 v1 机器学习
声音
机器学习
摘要
使用自动编码器（AE）作为正常模型是无监督声音异常检测（ADS）的一种最先进技术。AE被训练以最小化小批量中正常声音异常分数的样本均值。该方法的一个问题是，稀有正常声音的异常分数变得高于频繁正常声音，因为样本均值受频繁正常样本强烈影响，导致优先降低频繁正常样本的异常分数。为了降低频繁和稀有正常声音的异常分数，我们提出批次均匀化，一种用于无监督ADS的训练方法，用于最小化小批量中每个样本异常分数的加权平均值。我们使用每个样本概率密度的倒数作为权重，更直观地，对稀有正常声音给予较大权重。这样的权重起到使频繁和稀有正常声音都具有恒定异常分数的作用。由于概率密度未知，我们通过在每个训练小批量上使用核密度估计来估计它。验证和客观实验表明，所提出的批次均匀化改善了无监督ADS的性能。
引用
@article{arxiv.1907.08338,
title = {Batch Uniformization for Minimizing Maximum Anomaly Score of DNN-based Anomaly Detection in Sounds},
author = {Yuma Koizumi and Shoichiro Saito and Masataka Yamaguchi and Shin Murata and Noboru Harada},
journal= {arXiv preprint arXiv:1907.08338},
year = {2019}
}
备注
5 pages, to appear in IEEE WASPAA 2019