Probabilistic Latent Tensor Factorization

2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

2012

Self Cite

Generalised coupled tensor factorisation is a recently proposed algorithmic framework for simultaneously estimating tensor factorisation models where several observed tensors can share a set of latent factors. This paper proposes a model in this framework for coupled factorisation of piano spectrograms and piano roll representations to solve audio interpolation and restoration problem. The model incorporates temporal and harmonic information from an approximate musical score (not necessarily belonging to the played piece), and spectral information from isolated piano sounds. The performance of the proposed approach is evaluated on the restoration of classical music pieces where we get about 5dB SNR improvement when 50% of data frames are missing.

Section: Generalised Coupled Tensor Factorisationmentioning

confidence: 99%

Score guided audio restoration via generalised coupled tensor factorisation

Şimşekli

Yilmaz

2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

2012

Self Cite

“…GBTA çerçevesi, Olasılıksal Saklı Tensör Ayrışımı (OSTA) [8] çerçevesinin baglaşımlı tensör ayrışımı için genişletilmesiyle oluşturulmuş bir çerçevedir. OSTA 978-1-4673-5563-6/13/$31.00 c 2013 IEEE çerçevesinde gözlemlenen X tensörü, Z α (α = 1, ..., |α|) bileşenlerinin çarpımı cinsinden, aşagıdaki gibi tanımlanmıştır:…”

Section: Genelleşti̇ri̇lmi̇ş Baglaşimli Tensör Ayrişimiunclassified

Generalized coupled symmetric tensor factorization for link prediction

Ermis

2013 21st Signal Processing and Communications Applications Conference (SIU)

Acar³

2013

Özetçe -Bu çalışmada gözlemlenemeyen baglantı tahmini problemi için Genelleştirilmiş Baglaşımlı Tensör Ayrışımı (GBTA) çerçevesinde tanımlanmış modeller sunulmaktadır. GBTA ortak tensörler içeren modellerin eşzamanlı ayrışımı ile ortak saklı faktörler çıkarabilen bir algoritmik çerçevedir. Bu bildiride GBTA çerçevesine ek olarak simetrik yapıdaki matrislerin ayrışımı için kullanılan algoritma saglanmaktadır. Heterojen verilerin ayrışımında kullanılan önceki çalışmalar ya tek bir ıraksaya ya da belirli bir tensör ayrışım modeline odaklanmaktadır; ancak, heterojen veri analizinde temel zorluklardan biri dogru tensör modelini ve ıraksayı bulmaktır. Bu nedenle, bu çalışmada farklı tensör modelleri ve ıraksaylar ele alınmaktadır. Gerçek veri kümeleri üzerinde gerçekleştirilen deneyler birden fazla kaynaktan gelen verilerin baglaşımlı tensor ayrışım yöntemi ile ortak analizinin ve simetrik yapıdaki verilerin baglaşımlı modellere dahil edilmesinin baglantı tahmin performansını artırmakta oldugunu; ayrıca dogru ıraksay ve tensör model seçiminin önemini göstermektedir.Anahtar Kelimeler-Baglaşımlı tensör ayrışımı; Baglantı Tahmini; Eksik veri; Veri Birleştirme; Simetrik Matris.Abstract-This study deals with the missing link prediction, the problem of predicting the existence of missing connections between entities of interest. Link prediction is addressed using coupled analysis of relational datasets represented by several matrices, including symmetric ones and multiway arrays, that will be simply called tensors. We propose to use an approach based on probabilistic interpretation of tensor factorisation models, i.e., Generalised Coupled Tensor Factorisation (GCTF), which can simultaneously fit a large class of tensor models to higher-order tensors/matrices with common latent factors using different loss functions. In addition, we propose the algorithm for factorization of symmetric matrices. Numerical experiments demonstrate that joint analysis of data from multiple sources via coupled factorisation and integration of symmetric matrices to models improves the link prediction performance and the selection of right loss function and tensor model is crucial for accurately predicting missing links.

“…Yılmaz ve Cemgil [6]'da tensör ayrışım modelleri için genel bir çerçeve olan Olasılıksal Saklı Tensör Ayrışımı (OSTA) çerçevesini sunmuşlardır. Bu çerçevede, gözlemlenen X tensörü, Zα (α = 1, .…”

Section: Genelleş Ti̇ri̇lmi̇ş Baglaş Imli Tensör Ayriş Imiunclassified

Coupled tensor factorization models for polyphonic music transcription

Şimşekli

Yilmaz

2012 20th Signal Processing and Communications Applications Conference (SIU)

2012

Self Cite

OZETÇ EGenelleştirilmiş Baglaşımlı Tensör Ayrışımı (GBTA), ortak tensörler içeren tensör ayrışım modellerinin eşzamanlı ayrışımı içinönerilmiş bir algoritmik çerçevedir. Bu çalışmada, çoksesli (polifonik) piyano eserlerinin notalandırılması (transkripsiyonu) için GBTA çerçevesinde tanımlanmış iki model sunuyoruz. Onerilen ilk model Negatif Olmayan Matris Ayrışımı tabanlı olup baglaşım aracılıgı ile spektral bilgiyi modele dahil etmektedir.İlk modele ek olarak, ikinci model notalandırılacak piyano parçasının kaba ve eksik bir notalandırmasını girdi olarak alıp, buradan edindigi zamansal ve armonik bilgiyi de modele dahil etmektedir. Gerçek piyano verisiüzerinde yapılan deneyler sonucunda armonik bilginin dahil edilmesinin notalandırma kalitesini arttıgı ve F -ölçüsünde % 23'lük bir artış sagladıgı gözlemlenmektedir. ABSTRACTGeneralized Coupled Tensor Factorization (GCTF) is a recently proposed algorithmic framework for simultaneously estimating tensor factorization models where several tensors can share a set of latent factors. This paper presents two models in this framework for transcribing polyphonic piano pieces. The first model is based on Non-negative Matrix Factorization where the coupling provides the spectral information to the model. As an extension to the first model, the second model incorporates temporal and harmonic information by taking a rough, incomplete transciption of the piece as input. Incorporating harmonic knowledge improves the transcription quality as the the experimental results show that we get around 23 % F-measure improvement on real piano data.