探索声音测量空间中的质量与多样性定义
声音
2025-12-03 v1 神经与进化计算
摘要
数字声合成提供了探索包含数百万配置的广阔参数空间的机会。质量多样性 (QD) 进化算法提供了一个有前景的解决方案，但其成功取决于合适的声学特征表示。现有的 QD 方法主要采用手工描述符或监督性分类器，可能引入意外的探索偏见，并限制发现局限于熟悉的声学区域。本工作研究无监督降维方法，用于自动定义和动态重新配置 QD 搜索期间的声学行为空间。我们应用主成分分析 (PCA) 和自编码器将高维音频特征投影到结构化网格上用于 MAP-Elites，通过定期模型再训练实现动态重新配置。跨两个实验情景的比较显示，自动方法比手工行为空间实现了显著更大的多样性，同时避免了专家强加的偏见。动态行为空间重新配置保持了进化压力并防止停滞，其中 PCA 在降维技术中最为有效。这些结果为无需手动干预或受监督训练约束即可探索广大参数空间的自动化声学发现系统做出贡献。
引用
@article{arxiv.2512.02783,
title = {Exploring Definitions of Quality and Diversity in Sonic Measurement Spaces},
author = {Björn Þór Jónsson and Çağrı Erdem and Stefano Fasciani and Kyrre Glette},
journal= {arXiv preprint arXiv:2512.02783},
year = {2025}
}