用于生物声学呼叫标签平滑的变分模型不确定性传播
机器学习
2022-10-20 v1 声音
音频与语音处理
摘要
我们致力于利用贝叶斯神经网络计算出的预测不确定性信号，来指导模型所训练任务自身的学习。我们未采用代价高昂的权重蒙特卡洛采样，而是以端到端方式传播近似隐变量方差，该过程通过一个带注意力与压缩激励模块的ResNet的变分贝叶斯适配模型实现，以识别应较少参与损失值计算的数据样本。由此，我们提出不确定性感知的、数据相关的标签平滑，其中平滑概率依赖于该认知不确定性。我们表明，通过在损失计算中显式使用认知不确定性，变分模型获得了更优的预测与校准性能。这一核心机器学习方法在野生动物呼叫检测中得以例证，数据来自被动声学监测设备在动物自然栖息地录制的音频，其未来目标是可信地实现大规模标注自动化。
引用
@article{arxiv.2210.10526,
title = {Propagating Variational Model Uncertainty for Bioacoustic Call Label Smoothing},
author = {Georgios Rizos and Jenna Lawson and Simon Mitchell and Pranay Shah and Xin Wen and Cristina Banks-Leite and Robert Ewers and Bjoern W. Schuller},
journal= {arXiv preprint arXiv:2210.10526},
year = {2022}
}