学习以发现：无遗忘的Raga识别通用框架
音频与语音处理
2026-01-27 v1 机器学习
摘要
印度艺术音乐（IAM）中的Raga识别仍然具有挑战性，因为存在大量在可用训练数据集中未得到体现的罕见表演Raga。传统的分类模型在此设定下会遇到困难，因为它们假设了一个已知类别的闭集，因此无法识别或有意义地分组以前未见过的Raga。最近的工作尝试对未见过的Raga进行分类，但它们遇到了灾难性遗忘的问题，即先前见过的Raga知识被削弱。为了解决这个问题，我们采用了一个统一的学习框架，该框架利用了标记和未标记的音频，使模型能够发现对应于未见Raga的连贯类别，同时保留先前已知类别的知识。我们在基准Raga识别数据集上测试了我们的模型，并展示了其在分类先前见过、未见过的以及所有Raga类别方面的性能。所提出的方法在发现未见Raga类别方面甚至超越了之前基于NCD的流程，为IAM任务的表示学习提供了新见解。
引用
@article{arxiv.2601.18766,
title = {Learning to Discover: A Generalized Framework for Raga Identification without Forgetting},
author = {Parampreet Singh and Somya Kumar and Chaitanya Shailendra Nitawe and Vipul Arora},
journal= {arXiv preprint arXiv:2601.18766},
year = {2026}
}
备注
Accepted at NCC 2026 conference