通过分离不确定性来提高基于主动学习的旋律估计
音频与语音处理
2025-09-23 v1
摘要
估计基频或旋律是音乐信息检索 (MIR) 中的核心任务。各种研究探索了信号处理、机器学习和深度学习方法，最近的焦点转向在旋律估计的主动学习设置中利用不确定性。然而，这些方法未探讨不同不确定性的相对有效性。在本工作中，我们遵循一个框架，将 aleatoric 不确定性和 epistemic 不确定性分离，以指导旋律估计的主动学习。模型在源数据集上训练后，可仅使用少量标记样本适应新领域。实验结果表明，epistemic 不确定性在减少标注 effort 方面比 aleatoric 不确定性更可靠，用于领域适应。
引用
@article{arxiv.2509.17375,
title = {Improving Active Learning for Melody Estimation by Disentangling Uncertainties},
author = {Aayush Jaiswal and Parampreet Singh and Vipul Arora},
journal= {arXiv preprint arXiv:2509.17375},
year = {2025}
}
备注
This work has been submitted to the IEEE ICASSP 2026 for possible publication