在领域偏移条件下利用 UMAP 检视音频数据以进行无监督异常检测
声音
2021-10-19 v2 音频与语音处理
统计计算
摘要
无监督异常检测 (UAD) 的目标是在仅预先提供非异常（正常）数据的条件下检测异常信号。在领域偏移条件下的无监督异常检测 (UAD-S) 中，数据进一步暴露于通常预先未知的上下文变化中。受 2021 年声学场景与事件检测和分类 (DCASE) 挑战赛中 UAD-S 任务所遇困难的启发，我们对 DCASE UAD-S 数据集的 log-STFT、log-mel 和预训练的 Look, Listen and Learn (L3) 表示进行了统一流形逼近与投影 (UMAP) 的视觉检视。在我们的探索性研究中，我们寻找两种特性——可分性 (SEP) 和判别支持 (DSUP)，并提出了几个假设，这些假设可能有助于进一步表示和检测方法的诊断与开发。特别是，我们假设输入长度和预训练可能会调节 SEP 和 DSUP 之间的相关权衡。我们的代码以及生成的 UMAP 和图表已公开提供。
引用
@article{arxiv.2107.10880,
title = {Using UMAP to Inspect Audio Data for Unsupervised Anomaly Detection under Domain-Shift Conditions},
author = {Andres Fernandez and Mark D. Plumbley},
journal= {arXiv preprint arXiv:2107.10880},
year = {2021}
}
备注
Accepted at the DCASE2021 Workshop