详细内容或原文请订阅后点击阅览
重新思考非阴性矩阵分解与隐式神经表示
在IEEE研讨会上接受了有关信号处理到音频和声学的应用（WASPAA）2025non阴性矩阵分解（NMF）是一种强大的技术，可用于分析定期采样的数据，即可以存储在矩阵中的数据。对于音频，这导致了使用时间频率（TF）表示等短期傅立叶变换等频率（TF）表示。但是，由于这些表示，因此不可能将这些应用扩展到不规则间隔的TF表示，例如常数Q变换，小波或正弦分析模型，因为这些表示……
来源:Apple机器学习研究本文已被 IEEE 音频与声学信号处理应用研讨会 (WASPAA) 2025 接收
非负矩阵分解 (NMF) 是一种用于分析定期采样数据（即可以存储在矩阵中的数据）的强大技术。对于音频，这导致了许多使用时频 (TF) 表示（例如短时傅立叶变换）的应用。然而，将这些应用扩展到不规则间隔的 TF 表示（例如 Constant-Q 变换、小波或正弦分析模型）是不可能的，因为这些表示不能直接以矩阵形式存储。在本文中，我们根据可学习函数（而不是向量）来制定 NMF，并表明 NMF 可以扩展到更广泛的不需要定期采样的信号类别。
- † 伊利诺伊大学厄巴纳-香槟分校