基于自监督音频嵌入的训练-free 异常声检测的时间池化策略
数论
2026-03-17 v2
摘要
基于预训练音频嵌入模型的训练-free 异常声检测 (ASD) 近期引起了广泛关注，因为它仅使用正常参考数据即可实现异常声检测，并在域迁移下提供了 improved 的鲁棒性。然而，现有的嵌入方法几乎都仅依赖于时间均值池化，而其他池化策略至今仅被用于频谱图表示。因此，训练-free ASD 中时间池化的作用尚未得到充分理解。本文对多种 state-of-the-art 音频嵌入模型中的时间池化策略进行了系统评估。我们提出了相对偏差池化 (RDP)，这是一种自适应池化方法，强调信息性的时间偏差，并引入一种将 RDP 与广义均值池化结合的混合池化策略。实验表明，在五个基准数据集上，所提出的方法 consistently 优于均值池化，实现了训练-free ASD 的 state-of-the-art 性能，包括在 DCASE2025 ASD 数据集上超越所有先前报告的训练系统和集成系统的 results。
引用
@article{arxiv.2603.04604,
title = {BSD Invariants and Murmurations of Elliptic Curves},
author = {Dane Wachs},
journal= {arXiv preprint arXiv:2603.04604},
year = {2026}
}