用于多通道盲源分离的深度聚类模型的无监督训练
机器学习
2019-04-03 v1 信号处理
机器学习
摘要
我们提出了一种在缺乏并行干净数据时从零开始训练基于神经网络的源分离算法的训练方案。具体而言，我们证明了无监督空间聚类算法足以指导深度聚类系统的训练。我们认为先前关于深度聚类的工作需要强监督，并阐述了为何这是一个局限。我们证明：(a) 仅依据所提方案训练的单通道深度聚类系统能够在词错误率方面达到与多通道教师模型相近的性能；(b) 以深度聚类结果初始化空间聚类方法，相比无监督教师模型取得了 26% 的相对词错误率降低。
引用
@article{arxiv.1904.01340,
title = {Unsupervised training of a deep clustering model for multichannel blind source separation},
author = {Lukas Drude and Daniel Hasenklever and Reinhold Haeb-Umbach},
journal= {arXiv preprint arXiv:1904.01340},
year = {2019}
}