Алгоритмы повышения устойчивости вычисления тензорных разложений и их применение для сжатия нейронных сетей

Мы предлагаем новый метод извлечения музыкальных признаков, основанный на обобщенном SVD-разложении высшего порядка (G-HOSVD) и тензорных разложениях. Предложенный алгоритм принимает на вход неразмеченные аудио и не нуждается в ручной разметке данных. Проводя анализ одновременно нескольких музыкальных представлений — хромограмм, спектрограмм и MFCC — наш метод формирует информативное признаковое пространство музыкальных треков. Тензорные методы малоранговой аппроксимации могут быть использованы поверх полученных признаков для выделения наиболее важной информации. Данных подход имеет потенциал для будущих приложений в музыкальных рекомендательных системах. Ключевым преимуществом нашего метода является его вычислительная эффективность без необходимости ускорения на GPU, что отличает его от ресурсозатратных методов глубинного обучения. Это свойство особенно полезно для обработки объемных неразмеченных музыкальных наборов данных, которые часто встречаются в музыкальном производстве. Наш метод представляет собой масштабируемый и эффективный инструмент для извлечения и анализа музыкальных признаков без вычислительных затрат, обычно характерных для методов глубинного обучения. Наше исследование показывает, что с предложенным методом можно эффективно обрабатывать большие наборы неразменных аудио, предоставляя практическое решение для анализа музыки в музыкальной индустрии.