[論文レビュー] A Comparison and Combination of Unsupervised Blind Source Separation Techniques

Christoph Böddeker, Frederik Rautenberg+1 more|arXiv (Cornell University)|Jun 10, 2021

Blind Source Separation Techniques参考文献 30被引用数 8

ひとこと要約

この論文は、残響のあるマルチチャネル音声データセット上で、非監視型ブラインド音源分離手法—空間混合モデル（SMM）と独立ベクトル分析（IVA）—を比較・統合する。SMMの出力を逐次的にIVAの初期化に用いることで、IVA単体に比べ10%相対的なWERの改善が達成され、深層ニューラルネットワークの最先端性能に近づいた。これは、スパarsityに基づくモデルと非ガウス性に基づくモデルの相補的な強みを示している。

ABSTRACT

Unsupervised blind source separation methods do not require a training phase and thus cannot suffer from a train-test mismatch, which is a common concern in neural network based source separation. The unsupervised techniques can be categorized in two classes, those building upon the sparsity of speech in the Short-Time Fourier transform domain and those exploiting non-Gaussianity or non-stationarity of the source signals. In this contribution, spatial mixture models which fall in the first category and independent vector analysis (IVA) as a representative of the second category are compared w.r.t. their separation performance and the performance of a downstream speech recognizer on a reverberant dataset of reasonable size. Furthermore, we introduce a serial concatenation of the two, where the result of the mixture model serves as initialization of IVA, which achieves significantly better WER performance than each algorithm individually and even approaches the performance of a much more complex neural network based technique.

研究の動機と目的

• 大規模で残響のあるマルチチャネル音声データセット上で、SMM（スパarsityに基づく）とIVA（非ガウス性に基づく）という非監視型ブラインド音源分離手法の性能を比較すること。
• SMMとIVAの相補的な仮定（SMMのスパarsity、IVAの非ガウス性）をアルゴリズム的組み合わせによって活用し、分離性能および後続のASR性能を向上させることの可能性を調査すること。
• SMMに基づく初期化が、特に低品質分離例の数を減らす観点から、IVAの収束性とロバストネスに与える影響を評価すること。
• 配列非依存設計を維持したまま、提案手法を最先端のニューラルネットワークベースのシステムと比較し、WERおよびSDRの観点からベンチマークすること。

提案手法

• SMMは、EMアルゴリズムを用いてSTFTドメインでソース活動の事後確率を推定し、1つの時間周波数チャンクに1つのソースのみが活性化されていると仮定する（スパarsity仮定）。
• IVAは、音声信号の非ガウス性と非定常性を活用して周波数ドメインで同時分離を実行し、可逆な混合行列を仮定する。
• 逐次的チェーン化アプローチを提案：SMMの出力をIVAの分離行列の初期化に用いることで、収束性とロバストネスが向上する。
• この手法では、SMMマスクを用いたビームフォーミングと、周波数ドメインでの統合処理を伴うIVAを組み合わせ、順序の逆転（permutation ambiguity）を回避する。
• 事前処理として、残響を低減するために重み付き予測誤差（WPE）を適用する。
• 性能評価は、最大6マイク、残響条件を含むSMS-WSJデータセット上で、SDRおよび語彙誤り率（WER）を用いて実施する。

実験結果

リサーチクエスチョン

• RQ1 残響のあるマルチチャネル音声データセット上でのSMMとIVAの性能（SDRおよびWER）には、どのような差があるか？
• RQ2 SMM（スパarsity）とIVA（非ガウス性）の相補的な仮定を組み合わせることで、分離性能が向上するか？
• RQ3 SMMの出力をIVAの初期化に用いることで、低品質分離例の数が減少し、WERが改善されるか？
• RQ4 提案されたチェーン手法は、最先端のニューラルネットワークベースのシステムと比較して、WERおよびSDRの観点でどの程度の性能を示すか？

主な発見

• IVAはSDRおよびWERの両面でSMMを上回り、SMS-WSJデータセットで13.84 dBのSDRと10.91%のWERを達成した。
• SMMの出力をIVAの初期化に用いることで、WERが1%以上改善され（10.91%から9.55%に）、SDR ≤7 dBとなる混合音の割合が3.2%から2.0%に低下した。
• WPE + SMM + IVAというチェーン手法は、9.55%のWERと16.84 dBのSDRを達成し、複雑で1400万パラメータを持つニューラルネットワークシステムの報告済み最高結果（8.52% WER）に近づいた。
• 提案された非教師あり手法は、配列非依存のニューラルネットワークベースラインを上回り、特に[33]の16.84% WERシステムですら、より少ないパラメータ数かつ学習データなしで上回った。
• SMMに基づく初期化は、ASR性能を低下させる低SDRの外れ値を著しく削減する観点から、IVAのロバストネスを顕著に向上させた。