Mentoring-Reverse Mentoring：多チャンネル音源分離における教師なし学習のための知識伝搬フレームワーク

摘要

教師なし学習のための新たな知識伝搬の枠組みを提案し，多チャンネル音源分離に適用した．雑音環境下で複数話者が同時に発話している信号から各音源を分離する音源分離技術は，ロボット対話システム，テレビ会議における議事録作成支援システムをはじめとして，多くのアプリケーションで重要な役割を果たす．特に，音声信号の確率モデルに基づく教師なし音源分離法として，ブラインド音源分離(BSS) が研究されてきた．しかし，これらの手法の分離性能はパラメータの初期値に大きく左右される．一方で，Deep clustering [1] やパーミュテーション不変学習(PIT) [2] といった深層ニューラルネットワーク(DNN) を用いた教師あり音源分離法や，DNN とその後段に確率統計モデルに基づくBSS 手法を持つハイブリット手法では，DNN のもつ高い表現力により優れた分離性能を達成している．これらの手法は，音声信号の複雑な周波数特性を学習できるが，観測された混合信号と音源信号のペアから構成される教師データが大量に必要となる．しかし，実環境において観測されるのは混合信号のみであり，正解信号を得ることは困難である．鏡像法などを用いたシミュレーションによりペアデータを作成することも行われてきたが，適用先の部屋の形状を忠実に再現することは困難である．また，日常生活において音源の種類が無数に存在する条件では，それらを網羅した教師データを収集することも困難である．したがって，音源分離システムの実用を考えると，クリーンな正解信号を必要とせず，マイクに観測された混合信号のみを用いて音源分離システムを教師なし学習できることが望ましい．