基于深度学习与 Neyman-Pearson 引理的无监督异常声音检测
机器学习
2018-10-23 v1 机器学习
声音
音频与语音处理
摘要
本文提出一种新颖的优化原理及其基于自动编码器（AE）的无监督异常声音检测（ADS）实现。无监督 ADS 的目标是在无异常声音训练数据的情况下检测未知异常声音。使用 AE 作为正常模型是无监督 ADS 的先进技术方案。为降低误报率（FPR），AE 被训练以最小化正常声音的重构误差，并将异常分数计算为观测声音的重构误差。遗憾的是，由于该训练过程未考虑异常声音的异常分数，真正率（TPR）未必提升。本研究中，我们将 ADS 视为统计假设检验，基于 Neyman-Pearson 引理定义目标函数。所提目标函数在任意低 FPR 条件下训练 AE 以最大化 TPR。为计算目标函数中的 TPR，我们认为异常声音集合是正常声音集合的补集，并使用拒绝采样算法模拟异常声音。通过合成数据实验，我们发现所提方法在低 FPR 条件下改善了 ADS 的性能度量。此外，我们确认所提方法能够检测真实环境中的异常声音。
引用
@article{arxiv.1810.09133,
title = {Unsupervised Detection of Anomalous Sound based on Deep Learning and the Neyman-Pearson Lemma},
author = {Yuma Koizumi and Shoichiro Saito and Hisashi Uematsum Yuta Kawachi and Noboru Harada},
journal= {arXiv preprint arXiv:1810.09133},
year = {2018}
}
备注
IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2018