k 重要吗？核加性建模人声分离的 k-NN 中心性分析
声音
2018-04-09 v1 音频与语音处理
摘要
核加性建模（KAM）是一种源分离框架，旨在显式建模声源的固有属性以辅助其识别与分离。KAM 通过对通过源特定核（通常为 k-NN 函数）获得的时频单元选择施加稳健统计来分离给定源。尽管参数 k 看似是成功分离的关键，文献中却鲜见关于其影响或优化的讨论。在此我们提出一种基于图论统计的新方法，用于在人声分离任务中自动优化 。我们引入 k-NN 中心性作为以低计算代价寻找定制 k 的指标。随后，我们将我们的方法与常见的 k 选择方法进行比较评估。我们进一步以具启发性的结果讨论了该参数的影响与重要性。
引用
@article{arxiv.1804.02325,
title = {Does k Matter? k-NN Hubness Analysis for Kernel Additive Modelling Vocal Separation},
author = {Delia Fano Yela and Dan Stowell and Mark Sandler},
journal= {arXiv preprint arXiv:1804.02325},
year = {2018}
}
备注
LVA-ICA 2018 - Feedback always welcome