角度间隔损失为何在半监督异常声音检测中表现良好？
音频与语音处理
2023-12-15 v2 机器学习
声音
摘要
最先进的异常声音检测系统通常利用角度间隔损失（angular margin losses），通过辅助任务（通常为有监督或自监督分类任务）来学习声学数据的合适表示。其底层思想是：为解决该辅助任务，需要在所学表示中捕获关于正常数据的特定信息，且这些信息也足以区分正常与异常样本。尤其在噪声条件下，基于角度间隔损失的判别模型往往显著优于基于生成式或单类模型的系统。本工作的目标是探究为何使用带辅助任务的角度间隔损失能良好地检测异常声音。为此，我们从理论和实验上表明，最小化角度间隔损失同时也最小化紧凑性损失（compactness loss），且天然防止学习平凡解。此外，我们进行了多项实验以表明，使用相关分类任务作为辅助任务可教导模型学习适用于噪声条件下异常声音检测的表示。这些实验包括性能评估、用t-SNE可视化嵌入空间，以及利用随机输入采样解释（randomized input sampling for explanation）针对异常分数可视化输入表示。
引用
@article{arxiv.2309.15643,
title = {Why do Angular Margin Losses work well for Semi-Supervised Anomalous Sound Detection?},
author = {Kevin Wilkinghoff and Frank Kurth},
journal= {arXiv preprint arXiv:2309.15643},
year = {2023}
}