[論文レビュー] A nuclear-norm based convex formulation for informed source separation

Augustin Lefèvre, François Glineur+1 more|arXiv (Cornell University)|Dec 13, 2012

Speech and Audio Processing被引用数 3

ひとこと要約

本稿では、部分的なアノテーションを正確な制約として組み込みつつ、低ランク構造を誘導するための核ノルムペナルティを用いた、インフォームド音声源分離の凸最適化定式化を提案する。この手法は、非負値行列分解（NMF）よりも分離品質（平均SDRが0.85 dB高い）と計算時間の両面で優れており、SISECデータセットで40%のアノテーションを用いて、単純な部分勾配法により優れた結果を達成した。

ABSTRACT

We study the problem of separating audio sources from a single linear mixture. The goal is to find a decomposition of the single channel spectrogram into a sum of individual contributions associated to a certain number of sources. In this paper, we consider an informed source separation problem in which the input spectrogram is partly annotated. We propose a convex formulation that relies on a nuclear norm penalty to induce low rank for the contributions. We show experimentally that solving this model with a simple subgradient method outperforms a previously introduced nonnegative matrix factorization (NMF) technique, both in terms of source separation quality and computation time.

研究の動機と目的

• 部分的なソース情報しか入手できない状況における単一チャネル音声源分離の課題に対処すること。
• 正確なアノテーション制約を強制すると同時に、低ランクのソーススペクトログラムを促進する凸最適化フレームワークを開発すること。
• 分離品質と計算効率の両面で、非凸なNMFベースの手法を上回ること。
• 制御されたアノテーションを用いた実世界の音声データ上で、提案手法の有効性を検証すること。

提案手法

• ソーススペクトログラムを変数とする凸最適化問題として源分離を定式化し、正確なアノテーション制約を課す。
• 低ランク構造を正則化するために、核ノルムを凸な代替指標として用いる。
• 滑らかでない目的関数を解くために、減少するステップサイズルールを用いた部分勾配法を採用する。
• 目的関数は、混合信号と再構成スペクトログラムの間の滑らかなイタクラ・サイトの分散と、アノテートされた係数のためのデータ適合項を組み合わせている。
• NMFとは異なり、事前にランクを固定せずに、ランクを暗黙的に最小化できる。
• 複数回のランダム初期化を必要とするNMFとは異なり、単純でスケーラブルな部分勾配スキームで問題を解く。

実験結果

リサーチクエスチョン

• RQ1 核ノルム正則化を用いた凸定式化は、非凸なNMFを上回る性能を発揮できるか？
• RQ2 正確なアノテーション制約を強制することで、ペナルティベースの手法と比較して分離精度が向上するか？
• RQ3 複数回の再起動を要するNMFと比較して、単純な部分勾配法がより高い性能とより速い収束を達成できるか？
• RQ4 アノテーションの割合と計算時間の増加に伴い、この手法はどのようにスケーリングするか？

主な発見

• 提案手法lownucは、SISECデータベースで平均SDR 8.779 dBを達成し、NMFを平均0.85 dB上回った。
• lownucは「ラジオ」ベースライン推定（SDR 3.4725 dB）を5 dB以上上回り、顕著な改善を示した。
• lownucはNMFよりも高いSIR（16.0186 dB）とSAR（9.9494 dB）を達成しており、干渉とアーチファクトの抑制が優れていることを示した。
• lownucは、10秒の計算時間の時点で、NMFを上回るSDRを達成し、初期イテレーションでより速い収束を示した。
• 複雑な初期化を必要としない単純な部分勾配スキームを用いても、NMFよりも優れた性能を達成しており、NMFは複数回の再起動を要し計算コストが高かった。
• オラクル推定ではSDR 10.8523 dBを達成しており、lownucが理論的最良性能に非常に近いことを示した。