低秩表示特征的在线学习分类及其在音频片段分类中的应用
机器学习
2011-12-20 v1 多媒体
摘要
本文提出了一种基于迹范数最小化的音频片段新框架。在该框架中，特征提取和分类均通过求解相应的迹范数正则化凸优化问题来实现。对于特征提取，使用核范数和范数组合最小化的鲁棒主成分分析(robust PCA)来提取对音频片段的白噪声和严重损坏具有鲁棒性的低秩特征。这些低秩特征被输入到一个线性分类器中，该分类器的权重和偏置通过求解类似的迹范数约束问题来学习。对于该分类器，大多数方法以批处理模式学习权重和偏置，这使得它们在大规模问题上效率低下。本文提出了一种使用加速近端梯度方法的在线框架。该框架在内存成本方面具有主要优势。此外，由于矩阵分类的正则化公式，Lipschitz常数被显式给出，因此我们方法中省略了一般近端梯度方法的步长估计。在真实数据集上进行的笑声/非笑声和掌声/非掌声分类实验表明，该新框架有效且对噪声具有鲁棒性。
引用
@article{arxiv.1112.4243,
title = {Online Learning for Classification of Low-rank Representation Features and Its Applications in Audio Segment Classification},
author = {Ziqiang Shi and Jiqing Han and Tieran Zheng and Shiwen Deng},
journal= {arXiv preprint arXiv:1112.4243},
year = {2011}
}