Deep Learning Meets Adaptive Filtering: A Stein’s Unbiased Risk Estimator Approach

要約

このホワイト ペーパーでは、音源推定と分離の観点から、アルゴリズム展開のレンズを通して、再帰的最小二乗法 (RLS) と等変適応音源分離 (EASI) という 2 つの著名な適応フィルタリング アルゴリズムを再検討します。
アンローリング方法論に基づいて、Deep RLS および Deep EASI と呼ばれる新しいタスクベースの深層学習フレームワークを導入します。
これらのアーキテクチャは、元のアルゴリズムの反復をディープ ニューラル ネットワークの層に変換するため、トレーニング プロセスを利用して効率的なソース信号推定が可能になります。
パフォーマンスをさらに向上させるために、Stein の不偏リスク推定量 (SURE) に基づいた損失関数を利用して、これらの深く展開されたネットワークをトレーニングすることを提案します。
私たちの経験的評価は、ソース信号推定を強化するためのこの SURE ベースのアプローチの有効性を実証しています。

要約(オリジナル)

This paper revisits two prominent adaptive filtering algorithms through the lens of algorithm unrolling, namely recursive least squares (RLS) and equivariant adaptive source separation (EASI), in the context of source estimation and separation. Building upon the unrolling methodology, we introduce novel task-based deep learning frameworks, denoted as Deep RLS and Deep EASI. These architectures transform the iterations of the original algorithms into layers of a deep neural network, thereby enabling efficient source signal estimation by taking advantage of a training process. To further enhance performance, we propose training these deep unrolled networks utilizing a loss function grounded on a Stein’s unbiased risk estimator (SURE). Our empirical evaluations demonstrate the efficacy of this SURE-based approach for enhanced source signal estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google