神経音声データ処理のためのサブスペクトル正規化

畳み込みニューラルネットワーク（Convolutional Neural Networks）は、さまざまな機械学習分野で広く利用されている。画像処理においては、入力のすべての空間次元に対して2次元畳み込みを適用することで特徴量を抽出できる。しかし音声データの場合は、メルスペクトログラム（Mel-Spectrogram）のような周波数領域の入力は、周波数次元において特有で異なる特性を有する。そのため、2次元畳み込み層が周波数次元に対して異なる処理を可能にする手法の導入が求められている。本研究では、入力の周波数次元を複数のグループ（サブバンド）に分割し、各グループごとに異なる正規化処理を行う「サブスペクトル正規化（SubSpectral Normalization, SSN）」を提案する。SSNは、各サブバンドに個別に適用可能なアフィン変換も含んでおり、ネットワークが周波数に敏感な特徴を学習する過程で、周波数間の偏り（inter-frequency deflection）を効果的に抑制する。音声データを用いた実験の結果、SSNがネットワークの性能を効率的に向上させることを確認した。