[論文レビュー] MM Algorithms for Joint Independent Subspace Analysis with Application to Blind Single and Multi-Source Extraction

Robin Scheibler, Nobutaka Ono|arXiv (Cornell University)|Apr 8, 2020

Blind Source Separation Techniques参考文献 46被引用数 11

ひとこと要約

本稿では、過決定マイクロホンアレイからの効率的なブランクソースおよびマルチソース抽出を可能にする、共同独立部分空間分析のための主要化最小化フレームワーク、JISA-MMを提案する。超ガウス型ソースのためのサロゲート関数を導出し、反復的ペアワイズ更新を用いることで、特に正のSINRを有する単一ソース抽出において高速収束と高い頑健性を達成する。

ABSTRACT

In this work, we propose efficient algorithms for joint independent subspace analysis (JISA), an extension of independent component analysis that deals with parallel mixtures, where not all the components are independent. We derive an algorithmic framework for JISA based on the majorization-minimization (MM) optimization technique (JISA-MM). We use a well-known inequality for super-Gaussian sources to derive a surrogate function of the negative log-likelihood of the observed data. The minimization of this surrogate function leads to a variant of the hybrid exact-approximate diagonalization problem, but where multiple demixing vectors are grouped together. In the spirit of auxiliary function based independent vector analysis (AuxIVA), we propose several updates that can be applied alternately to one, or jointly to two, groups of demixing vectors. Recently, blind extraction of one or more sources has gained interest as a reasonable way of exploiting larger microphone arrays to achieve better separation. In particular, several MM algorithms have been proposed for overdetermined IVA (OverIVA). By applying JISA-MM, we are not only able to rederive these in a general manner, but also find several new algorithms. We run extensive numerical experiments to evaluate their performance, and compare it to that of full separation with AuxIVA. We find that algorithms using pairwise updates of two sources, or of one source and the background have the fastest convergence, and are able to separate target sources quickly and precisely from the background. In addition, we characterize the performance of all algorithms under a large number of noise, reverberation, and background mismatch conditions.

研究の動機と目的

• 過決定盲分離における共同独立部分空間分析（JISA）のための効率的でハイパーパrameterフリーなアルゴリズムの開発。
• すべてのソースを完全に分離することなく、複数マイクロホン音声システムにおいて1つ以上のターゲットソースをバックグラウンドから抽出する課題に対処する。
• AuxIVA や OverIVA などの既存のMMベースのアルゴリズムを統一的かつ一般化するフレームワークとしての統合と一般化。
• ノイズ、混响、ソース不一致を含む現実的な条件下で、さまざまな更新戦略（例：ペアワイズ、単一ソース）の性能を評価する。
• ペアワイズ更新（2つのソース、または1つのソースとバックグラウンド）が、標準的手法に比べて収束が速く、信頼性が高いことを実証する。

提案手法

• 超ガウス型ソースの負の対数尤度のためのサロゲート関数を、有名な不等式を用いて導出し、主要化最小化最適化を可能にする。
• MM技術を用いてサロゲート関数を最小化し、グループ化された分離ベクトルを有するハイブリッド正確-近似対角化（HEAD）問題の変種を得る。
• AuxIVAで用いられる補助関数技術にインspiredされた、1つまたは2つのグループの分離ベクトルの交互更新ルールを提案する。
• 2つのソースを同時に更新する、または1つのソースとバックグラウンドをペアで更新するなどのペアワイズ更新戦略を導入し、収束速度と安定性を向上させる。
• JISA-MMフレームワーク内に反復的射影（IP）およびIP2ルールを採用し、調整を必要とせずにHEAD問題を効率的に解く。
• 干渉者数、信号対干渉比（SINR）、マイクロホン構成が異なるシミュレーテッド音声混合信号を用いて、フレームワークの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 主要化最小化をどのように一般化することで、効率的なブランクソース抽出のための共同独立部分空間分析に応用できるか？
• RQ2 単一ソース、ペアワイズソース、またはソース-バックグラウンドのどの更新戦略が、最も速い収束と最高の分離精度を達成するか？
• RQ3 モデル不一致下での速度、精度、頑健性の観点から、JISA-MMの性能は完全分離（例：AuxIVA）と比べてどうなるか？
• RQ4 JISA-MMを用いた信頼性の高いソース回復に必要な最小SINRは何か？また、ソース数や干渉者数に応じてどのように変化するか？
• RQ5 提案されたフレームワークは、OverIVA や AuxIVA などの既存のMMベースのアルゴリズムを、統一的理論枠組みで統合・一般化できるか？

主な発見

• SINR ≥ 0 dB の条件下では、AuxIVA-IP2は単一ソース抽出においてほぼ完璧な成功確率（>0.9）を達成するが、0 dB における2ソースケースでは等しいパワーの曖昧さのため成功確率が約50％に制限される。
• 過決定アルゴリズム（例：OverIVA-IP2、OverIVA-DX/BG）は、信頼性ある性能を発揮するためには正のSINRを必要とし、SINR ≥ 5 dB かつ干渉者数 ≥ 2 の場合に著しく性能向上を示す。
• 2つのソースまたは1つのソースとバックグラウンドのペアワイズ更新は、収束が最も速く、頑健性も最も高い。標準的なIPルールに比して、ほとんどの条件下で優れた性能を示す。
• 2つまたは3つのターゲットソースの場合、0 dB SINR では成功確率が著しく低下し、ターゲット数が増えると分離がより困難になることが示された。
• ソース間距離はわずかだが顕著な影響を及ぼす：近いソースは、特に低SINR条件下でより信頼性高く分離される。
• バックグラウンドモデルの不一致は、単一ソース抽出において性能に悪影響を及ぼすが、AuxIVAは低SINR条件下でより頑健である。しかしこの利点は複数ターゲットでは薄れる。