已经研究了预测听众平均意见评分（MOS）的自动方法，以确保文本到语音系统的质量。许多先前的研究都集中在建筑进步（例如MBNET，LDNET等）上，以更有效的方式捕获光谱特征和MOS之间的关系，并获得了高精度。但是，从概括能力方面的最佳表示仍在很大程度上仍然未知。为此，我们比较了WAV2VEC框架获得的自我监督学习（SSL）特征与光谱特征（例如光谱图和Melspectrogron的幅度）的性能。此外，我们建议将SSL功能和功能结合起来，我们认为我们认为将基本信息保留到自动MOS上，以相互补偿其缺点。我们对从过去的暴风雪和语音转换挑战中收集的大规模听力测试语料库进行了全面的实验。我们发现，即使给定的地面真相并不总是可靠，WAV2VEC功能集也显示出最佳的概括。此外，我们发现组合表现最好，并分析了它们如何弥合光谱和WAV2VEC特征集之间的差距。
translated by 谷歌翻译
基于强化学习（RL）的最先进的决策系统是数据驱动的黑盒神经模型，在那里通常难以将专家知识纳入模型或让专家审查和验证学习决策机制。知识插入和模型审查是许多涉及人类健康和安全的应用中的重要要求。一种桥接数据和知识驱动系统之间差距的方法是程序合成：替换用神经网络生成的符号节目或通过遗传编程输出决策的神经网络。我们提出了一种新的编程语言，BF ++，专为在部分观察到的马尔可夫决策过程（POMDP）设置中的代理程序自动编程，并应用神经节目综合来解决标准Openai健身房基准。
translated by 谷歌翻译
在使用多模式贝叶斯后部分布时，马尔可夫链蒙特卡罗（MCMC）算法难以在模式之间移动，并且默认变分或基于模式的近似推动将低估后不确定性。并且，即使找到最重要的模式，难以评估后部的相对重量。在这里，我们提出了一种使用MCMC，变分或基于模式的模式的并行运行的方法，以便尽可能多地击中多种模式或分离的区域，然后使用贝叶斯堆叠来组合这些用于构建分布的加权平均值的可扩展方法。通过堆叠从多模式后分布的堆叠，最小化交叉验证预测误差的结果，并且代表了比变分推断更好的不确定度，但它不一定是相当于渐近的，以完全贝叶斯推断。我们呈现理论一致性，其中堆叠推断逼近来自未衰退的模型和非混合采样器的真实数据生成过程，预测性能优于完全贝叶斯推断，因此可以被视为祝福而不是模型拼写下的诅咒。我们展示了几个模型家庭的实际实施：潜在的Dirichlet分配，高斯过程回归，分层回归，马蹄素变量选择和神经网络。
translated by 谷歌翻译
重要的加权是调整蒙特卡洛集成以说明错误分布中抽取的一种一般方法，但是当重要性比的右尾巴较重时，最终的估计值可能是高度可变的。当目标分布的某些方面无法通过近似分布捕获，在这种情况下，可以通过修改极端重要性比率来获得更稳定的估计。我们提出了一种新的方法，该方法使用拟合模拟重要性比率的上尾的广义帕累托分布来稳定重要性权重。该方法在经验上的性能要比现有方法稳定重要性采样估计值更好，包括稳定的有效样本量估计，蒙特卡洛误差估计和收敛诊断。提出的帕累托$ \ hat {k} $有限样本收敛率诊断对任何蒙特卡洛估计器都有用。
translated by 谷歌翻译