面向音频的数据质量审计
声音
2025-10-01 v1 人工智能
机器学习
摘要
数据质量问题，如主题偏离样本、近似重复项和标签错误，常限制音频系统的性能。本文通过将 SelfClean 这种从表示到排序的数据审计框架从图像领域迁移到音频领域来解决此问题。该方法利用自监督音频表示来识别常见数据质量问题，创建排序审查列表，在单一统一的过程中呈现不同问题。该方法在 ESC-50、GTZAN 和一个专有工业数据集上进行基准测试，使用人工产生的损坏和自然产生的损坏。结果表明，该框架实现了与当前最高水平相当的排序性能，常常优于问题特定的基线方法，并通过高效引导人工审查实现了显著的标注节省。
引用
@article{arxiv.2509.26291,
title = {Representation-Based Data Quality Audits for Audio},
author = {Alvaro Gonzalez-Jimenez and Fabian Gröger and Linda Wermelinger and Andrin Bürli and Iason Kastanis and Simone Lionetti and Marc Pouly},
journal= {arXiv preprint arXiv:2509.26291},
year = {2025}
}