- Избыточное кодирование речи с низким битрейтом с использованием вариационного автокодировщика, оптимизированного по скорости и искажению(arXiv)
Автор:Жан-Марк Валин, Ян Бюте, Ахмед Мустафа
Аннотация:устойчивость к потере пакетов является одной из основных текущих проблем в голосовой связи в реальном времени. Методы глубокого сокрытия потери пакетов (PLC) недавно продемонстрировали более высокое качество по сравнению с традиционным PLC. Несмотря на это, все методы PLC сталкиваются с фундаментальными ограничениями, когда теряется слишком много акустической информации. Прежде всего, чтобы уменьшить потери, данные обычно отправляются несколько раз с использованием различных механизмов избыточности. Мы предлагаем нейронный речевой кодер, специально оптимизированный для передачи большого количества перекрывающихся избыточных данных с очень низкой скоростью передачи данных, до 50-кратной избыточности с использованием менее 32~кбит/с. Результаты показывают, что предлагаемая избыточность более эффективна, чем избыточность существующего кодека Opus, и что их можно комбинировать для еще большей надежности.
2.Три варианта вариационных автоэнкодеров(arXiv)
Автор: Р. И. Цукьер
Аннотация. Вариационные автоэнкодеры (VAE) — это один из классов генеративных вероятностных моделей со скрытыми переменными, предназначенных для вывода на основе известных данных. Мы разрабатываем три варианта VAE, вводя вторую параметризованную пару кодировщик/декодер и, для одного варианта, дополнительный фиксированный кодировщик. Параметры кодировщиков/декодеров должны быть изучены с помощью нейронной сети. Фиксированный энкодер получается с помощью вероятностного PCA. Изменения сравниваются с приближением нижней границы доказательств (ELBO) к исходному VAE. Один вариант приводит к верхней границе доказательств (EUBO), которую можно использовать вместе с исходным ELBO для исследования сходимости VAE.
3. Вероятностный автоэнкодер для выявления причин(arXiv)
Автор: Маттиас Фейлер
Аннотация:: в статье рассматривается проблема нахождения причинно-следственной связи между двумя связанными переменными. Предлагаемое решение состоит в том, чтобы построить автоэнкодер их совместного распределения и максимизировать его способность оценки по отношению к обоим маргинальным распределениям. Показано, что полученные две емкости, вообще говоря, не могут быть равными. Это приводит к новому критерию причинного обнаружения: более высокая мощность согласуется с неограниченным выбором распределения, представляющего причину, в то время как более низкая мощность отражает ограничения, накладываемые механизмом на распределение следствия. Оценочная мощность определяется как способность автокодировщика представлять произвольные наборы данных. Термин регуляризации заставляет его решать, какую из переменных моделировать более общим образом, т. Е. При сохранении более высокой емкости модели. Причинное направление выявляется ограничениями, возникающими при кодировании данных, а не измеряется как свойство самих данных. Идея реализована и проверена на ограниченной машине Больцмана.
