9月13日（木）

朝3時起床。ここのところ9時就寝3時起床のリズムができつつある。それも今日で終わりだが。

メールの読み書き。仕事がたくさん来ている。

6時に朝食。今日はシリアルの他に卵をとってみた。

シャワーを浴びて、8時にホテルを出る。今日は最終日だ。

8時半からキーノート。

Finding Meaning in Rodent Ultrasonic Vocalizations (Garet Lahbis, Oregon Health&Science U)

ネズミたちが超音波を使ってどういう会話をしているのかというお話。
なぜネズミの話を聞くのか？
・動物の「心」を知るために、動物のコミュニケーションを研究する。
・（人間の）精神疾患は大きな問題。精神疾患や発達障害、自閉症などはしばしば韻律表現の生成・知覚の異常を伴う。
・オレゴン・ワシントン州は自閉症率が高い。天気が悪いせいか（ビタミンD欠乏）？それとも汚染された魚を食べているせいか？これらを調べるために、ネズミの研究が役立つ。
・マウスの遺伝子とその遺伝についてはよく研究されている。遺伝影響や化学物質、ウィルスなどの精神疾患への影響を調べるためにマウスを使う。
ネズミたちはなにを話しているのか？
・一般に発声はコミュニケーションのために使われるが、それ以外に使われることもある（エコーロケーションなど）。
・コウモリとイルカのエコーロケーションとシグネチャ。
・プレーリードッグの「言語」。異なる敵を表現し分ける。
・chickadee(鳥)の鳴き声。敵の大きさによって鳴き声の間隔を変える。
・ラットの場合。ポジティブ(positive)な場合は50kHz、ネガティブ(aversive)な場合には22kHzで鳴く。50kHzの音に寄っていく。
・マウスは「感情」を伝えるのか
    B6/BALBマウスは社会的行動をとることがわかっている
    マウスではラットのように2種類ではなく7種類の鳴き声で鳴く
    社会行動によって鳴き声の種類の分布が違う
・マウスは他の個体の「苦しみ」に反応するのか
    マウスにショックを与えると、動きを止めると同時に独特な声で鳴くことがわかった
    そのとなりに（ショックを与えない）マウスをおいて行動を観察→ショックを受けたマウスと同じように停止する。心拍数の観察でも同じような傾向
今後の課題
・野生のげっし類の様々な状況での鳴き声の収集
・いろいろな鳴き声をどう検出し自動分類するか。

この後コーヒーブレイク。ポスター会場を一通り回った後、オーラルでexemplar関連のセッション。

Sparse, Template-Based Representations

Enhancing Exemplar-Based Posteriors for Speech Recognition Tasks (IBM)
Sparse Representationによる事後確率計算にニューラルネットを使い、さらにHMMをTied Mixture化することで推定精度を上げる。ニューラルネットを具体的にどうしているのかよくわからなかった。

Advances in Noise Robust Digit Recognition Using Hybrid Exemplar-based Techniques (TU Leuven)
Exemplarベース認識の雑音対策。最近Exemplarベース認識のためのさまざまな雑音対策が提案されているので（事例の数を増やす、人工的雑音サンプルの追加、発話前の雑音区間を事例に加える(noise sniffing)等）、それらの比較。また、マルチコンディション学習を導入した。また、HMMの出力確率との組み合わせ。

Group Sparsity for Speaker Identity Discrimination in Factorisation-based Speech Recognition (Tampere U)
論文の文章をそのままスライドに貼ったようなプレゼン。読めねえよ。

Using Sparse Classification Outputs as Feature Observations for Noise-robust ASR (Radboud U)
Sparse Representationで得られた各フレームのベクトルをHMMの入力とするシステム(TANDEM)。スパースなベクトルでは多くのベクトルが０となり共分散が計算できないので（？）、０の要素に小さいガウス雑音を入れる。生のSparse Classificationよりは改善するがETSI frontendには及ばない。

Synthetic References for Template-based ASR using posterior features (IDIAP)
音素事後確率を特徴量とするテンプレートベース認識で、テンプレート作成に合成音声を使う。タスクは小語彙孤立単語。人間の声をテンプレートに使った場合と大体同じ認識精度。

Heterogeneous Convolutive Non-Negative Sparse Coding (Tsinghua U/U Automata de Madrid)
NMFを拡張したCNSC (Convolutive Non-negative Sparse Coding)は、基底ベクトルが時間構造を持っているようなNMF。複数の時間構造を持っている基底を畳み込むことでスペクトルを再構成する。この発表では、さらに時間構造がスペクトルの場所によって異なるようなCNSC (Heterogenius CNSC)を提案。評価基準は再合成の誤差だが、この評価基準ならそれは複雑なモデルの方が性能が上がるだろう。

ここでお昼の時間だが、PCのバッテリーが減ってきてポメラの電池もないので、今日も一旦ホテルに戻る。途中屋台村みたいなところで昼飯をたくさん売っていたのだが、目移りして結局何も買わずにホテルに戻る。

ホテルでPCを充電しつつ、買い置きのパンが余っているのでパンとスライスチーズで昼食。飲み物がないので、残っているワインを飲む。酔っ払ったぜ。スライスチーズがまだ余ってるんだけどどうしようかな。

眠い所を無理やり会場に戻る。途中グローサリーストアでレッドブルを仕入れて飲む。

13時半から最後のセッション。

Acoustic Classification

Combining Frame and Segment Based Models for Environmental Sound Classification (CAS )
環境音の認識。GMMのようなフレームベースの特徴と識別する方法と、セグメント全体の統計量をSVMなどの識別器にかける方法の組み合わせ。最初にGMMで予備認識をしたあと、上位2候補のその事後確率とセグメントの統計量を特徴量としてSVMにかける。全部をGMMあるいはSVMで認識するよりも性能がよい。上位2候補だけ残す所がミソで、最後は2クラス識別になるので、混同しやすいクラス間のSVMだけを学習する。

Using Blob Detection in Missing Feature Linear-Frequency Cepstral Coefficients for Robust Sound Event Recognition (A*STAR)
環境中の音イベントの認識にMF-LFCCというのをつかう。線形周波数バンドパスフィルタのケプストラム係数に、周波数マスクを合わせる。時間周波数領域でのピーク部分を検出するために、画像処理でのBlob detectionというのを使う。認識はSVM。MFCCよりもだいぶ性能がよいが、既存手法では雑音対策を何もしていないそうなので、どの部分がどの程度効いているのかわからない。

Goal-Oriented Auditory Scene Recognition    (JHU)
聴覚系を模擬した聴覚情景認識。聴覚フィルタで信号を時間周波数表現にして、2次元ガボールフィルタで特徴を抽出し、それを認識する。識別器はk-NN。通常の方法（MFCCとか）より性能がよいが、なぜなのかよくわからない。また、トップダウン注意をモデルに取り入れて、複数の音が混ざった環境音の中から目標の音を抽出する。こちらの方はまだきちんとした評価をしていないようだ。

Prof-Life-Log: Audio Environment Detection for Naturalistic Audio Streams    (U of Texas at Dallas)
Prof-Life-Logは個人の聞くすべての音を全部録音するプロジェクト。録音用の小さいデバイスをつけて歩く。35以上のセッション(1日の録音が1セッション)が集まっていて、50以上のタグがつけられている。システムとしては、ある音を与えると似たような音がしている部分を検索するシステムと、すべての音をクラスタリングするシステムがある。

Pooling Robust Shift-Invariant Sparse Representations of Acoustic Signals    (University of Illinois at Urbana-Champaign)
聴覚系を模擬した音響信号の表現の提案。コンピュータビジョンでのモデル化を参考にしている。ガンマトーンをカーネルとしたsparse codingにより、ある時間フレームにおいて限られた数のパルスでスペクトルを表現する(spikegram)。さらに、spikegramに対して非線形関数を通して次元を圧縮する。MFCCなら対数をとるが、この部分をいろいろ変えて比較している。Temporal Pyramid Poolingという方法を使っているが十分理解できなかった。実験として環境音認識を行い、PLPと比較した。その結果、poolingの方法を選ぶとPLPよりも高性能。

Evaluation of a Sparse Representation-Based Classifier For Bird Phrase Classification Under Limited Data Conditions (UCLA)
鳥の声の認識。Sparse Representationをつかった識別器を使う。1クラスあたりの学習サンプルは最大7つ。SRはSVMやNS（部分空間法）などと比べて性能が高いだけでなく、学習サンプルが少ないときにも性能低下が少ない。群れで鳴いているときはどうするのか聞いてみたが、そういう声は扱っていないとのこと。

これでセッションは全て終わり。このあと閉会式があるのだがそれはパスし、一旦ホテルに戻る。

学会関連の荷物を部屋に置き、身軽な格好に着替えて（これまではスーツだったのだが外を歩くには暑い）、ちょっと外を散歩してくる。ホテルの近くはパールディストリクトというおしゃれ街、そのさらに先には高級住宅街ノブヒルがある。日曜日にそこまで行こうかと思ったが疲れてやめたのだった。

というわけでホテルを出発。日差しが強い。