Modelling Speech Spectra Based on Logarithmic Shallow Neural Networks

点击翻译按钮获取中文摘要

本研究では，音声の表現に適した新しい機械学習手法として，確率的な浅層ニューラルネットである制限ボルツマンマシン（RBM）をベースに，対数振幅スペクトルと位相のデータ構造を適切に表現する音声技術を確立する．しばしばブラックボックスだと言われる深層学習モデルとは違い，RBMはデータの確率分布を陽に仮定できる解釈性がある．そのため，より適切に音声のデータ構造を表現することができる．初年度（令和３年度）は対数振幅スペクトルを表現することに主眼を置き，独自に提案したガンマRBMを用いた音声表現を確立させた．令和４年度では，このモデルを更に発展させ，対数振幅スペクトルに加えて位相を同時に表現するモデル（Gamma von-Mises RBM; GVM RBM）を新規提案し，実装，評価及び論文執筆を行なった．具体的には，可視素子として振幅スペクトル，対数振幅スペクトルおよび位相スペクトルを設定し，二値の隠れ素子が既知の可視素子の条件付き確率が，振幅スペクトルについてはガンマ分布，位相スペクトルについてはフォン・ミーゼス分布となり，更に両者が条件付き独立となることを示した．評価実験では，深層学習モデルやガンマRBMに位相復元を適応したモデルなどよりも飛躍的に高い精度で音声の符号化・復号化が可能であることを示した．本研究成果に関して，権威的な国際論文誌であるIEEE Signal Processing Letters（インパクトファクター：3.2）に1件投稿し，現在査読中である．