非负因子隐马尔可夫模型中的变分推理用于高效音频源分离
机器学习
2012-07-03 v1 声音
机器学习
摘要
过去十年中，非负矩阵分解及其概率对应物在音频源分离方面取得了大量工作。尽管这些模型能够很好地捕捉音频频谱结构，但它们忽略了作为音频重要属性的非平稳性和时间动态。最近提出的非负因子隐马尔可夫模型（N-FHMM）引入了时间维度并提高了源分离性能。然而，该模型的因子性质使得推理的复杂度随声源数量呈指数增长。在这里，我们提出了一种适用于高效变分推理算法的N-FHMM贝叶斯变体，其复杂度与声源数量呈线性关系。我们的算法在原始N-FHMM中与精确推理性能相当，但速度显著更快。在典型配置下，我们的方法实现了约30倍的加速。
引用
@article{arxiv.1206.6468,
title = {Variational Inference in Non-negative Factorial Hidden Markov Models for Efficient Audio Source Separation},
author = {Gautham Mysore and Maneesh Sahani},
journal= {arXiv preprint arXiv:1206.6468},
year = {2012}
}
备注
Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)