基于主动学习的参数神经安放建模
机器学习
2025-10-01 v1 人工智能
摘要
我们引入 Panama，是一种用于 end-to-end 训练参数吉他放大器模型的主动学习框架，结合 LSTM 模型和类似 WaveNet 的架构。使用 \model，可以通过通过 ensemble-based 主动学习策略确定的样本来创建虚拟放大器，从而最小化所需数据点（即旋钮设置）。我们的策略使用基于梯度的优化来最大化 ensemble 模型之间的不一致性，以识别最具信息性的数据点。MUSHRA 听觉测试显示，在 75 个数据点的情况下，我们的模型能够匹配 NAM——领先的开源非参数安放建模器——的感知质量。
引用
@article{arxiv.2509.26564,
title = {Parametric Neural Amp Modeling with Active Learning},
author = {Florian Grötschla and Longxiang Jiao and Luca A. Lanzendörfer and Roger Wattenhofer},
journal= {arXiv preprint arXiv:2509.26564},
year = {2025}
}