新型音频神经网络架构解析

Combolutional Neural Networks

选择合适的归纳偏置是机器学习模型设计中的关键步骤，尤其是在处理音频数据时——即使短音频片段也可能包含数百万个样本。为此，我们提出了梳状卷积层（combolutional layer）：一种学习延迟的IIR梳状滤波器与融合包络检测器，能够在时域直接提取谐波特征。

我们在三个信息检索任务上验证了梳状卷积层的有效性，评估了其相对于其他音频前端计算成本，并提供了高效的训练实现方案。研究发现，在需要精确谐波分析的音频任务（如钢琴转录、说话人分类和音调检测）中，梳状卷积层可以有效替代传统卷积层。

此外，梳状卷积层相比现有前端具有多个关键优势：参数数量少、CPU推理效率高、严格实数计算以及更好的可解释性。

4页，3张图表，已获WASPAA 2025会议接收
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
公众号二维码