利用知识驱动的多假设控制对比自监督学习：应用于节拍跟踪
声音
2025-10-30 v1 音频与语音处理
摘要
数据和问题约束存在歧义性，可能导致机器学习任务产生多种且同样合理的输出。例如，在节拍和下拍跟踪中，不同听众可能采用各种节奏解释，均不一定错误。为此，我们提出一种对比自监督预训练方法，利用数据中可能的正样本的多种假设。我们的模型在训练时学习与不同假设相容的表征，这些假设通过基于知识的评分函数进行选择，以保留最合理的假设。当在标记数据上微调时，我们的方法在标准基准测试上超越了现有方法，展示了在音乐表征学习中整合领域知识与多假设选择优势。
引用
@article{arxiv.2510.25560,
title = {Controlling Contrastive Self-Supervised Learning with Knowledge-Driven Multiple Hypothesis: Application to Beat Tracking},
author = {Antonin Gagnere and Slim Essid and Geoffroy Peeters},
journal= {arXiv preprint arXiv:2510.25560},
year = {2025}
}