样本约束下的黑盒优化用于音频个性化

我们考虑的是为最大化用户体验而个性化音频的问题。简而言之，我们的目标是找到一个滤波器 $h^*$，该滤波器应用于任何音乐或语音信号，都能最大化用户的满意度。这是一个黑盒优化问题，因为用户满意度函数是未知的。该领域已有大量工作围绕这一问题展开，关键思路是向用户播放由不同滤波器 $h_i$ 加工后的音频样本，并查询用户对这些样本的满意度评分 $f(h_i)$。随后设计一族“替代函数”来拟合这些评分，优化方法逐步细化这些函数，以求得能够最大化满意度的滤波器 $\hat{h}^*$。在某些应用场景中，我们观察到还存在一种第二种查询方式，即用户可以告诉我们最优滤波器 $h^*$ 中各个元素 $h^*[j]$ 的取值。以烹饪为类比：目标是烹饪出一种能最大化用户满意度的食谱。用户可以对各种烹饪后的食谱（如豆腐炒饭）进行评分，亦或对 individual 原料（如盐、糖、米、鸡肉等）进行评分。在预算为 $B$ 的情况下，查询可任选两种类型，目标是找到能最大化该用户满意度的食谱。我们的方案基于稀疏高斯过程回归（GPR），并展示了混合查询方式能够超越单一查询类型的表现。我们的成果通过仿真和真实实验得到验证，其中志愿者对音乐/语音音频提出反馈，最终实现了较高的满意度水平。我们认为，混合查询的这一思路为黑盒优化中的新问题开辟了道路，其解决方案也有望惠及音频个性化之外的其他应用场景。