Learning statistical models using neural networks and application to acoustic signal processing

2023 Fiscal Year Final Research Report

• Project/Area Number: 21K17769
• Research Category: Grant-in-Aid for Early-Career Scientists
• Allocation Type: Multi-year Fund
• Review Section: Basic Section 61010:Perceptual information processing-related
• Research Institution: Meiji University
• Principal Investigator: Tanji Hiroki 明治大学, 研究・知財戦略機構(生田), 研究推進員(ポスト・ドクター) (40896255)
• Project Period (FY): 2021-04-01 – 2024-03-31
• Keywords: 非負値行列因子分解 / 音源分離 / 雑音除去 / 深層学習 / 深層展開 / 統計モデル

Outline of Final Research Achievements

The goal of this study is to establish a method for learning statistical models for signal separation and noise reduction. For this purpose, we proposed a neural network-based probability density function and optimization algorithm and its learning method, based on the viewpoint of whether the probability density function for complex spectrograms can be automatically learned. In particular, we focused on statistical models for non-negative matrix factorization and its extensions and proposed neural network learning methods for signal separation and noise reduction tasks.

Free Research Field

知覚情報処理関連

Academic Significance and Societal Importance of the Research Achievements

統計モデルに基づくNMFの乖離度は一般に信号分離や雑音除去といったタスクにおける性能評価指標を考慮していないため，これらのタスクにおいて常に高い性能を発揮するとは限らなかった．しかも，従来の乖離度の調整可能なパラメータはせいぜい1つしか無く，モデルの表現力は限られていた．一方では，提案法ではニューラルネットワーク（NN）を用いて乖離度を構成することでモデルの表現力を向上させ，評価指標を考慮してNNを学習することに成功した．また，シミュレーションにより，信号分離や雑音除去においてNMFの乖離度が与える性能への影響を明らかにした．これはNMFの乖離度に関する研究を総括する意味で有意義である．