Modelado de Amplificadores Neurales Paramétricos con Aprendizaje Activo

Introducimos Panama, un marco de aprendizaje activo para entrenar modelos de amplificadores de guitarra paramétricos de extremo a extremo utilizando una combinación de un modelo LSTM y una arquitectura similar a WaveNet. Con esto, se puede crear un amplificador virtual grabando muestras que se determinan a través de una estrategia de aprendizaje activo basada en conjuntos para minimizar la cantidad de puntos de datos necesarios (es decir, configuraciones de perilla del amplificador). Nuestra estrategia utiliza optimización basada en gradientes para maximizar el desacuerdo entre los modelos del conjunto, con el fin de identificar los puntos de datos más informativos. Las pruebas de escucha MUSHRA revelan que, con 75 puntos de datos, nuestros modelos son capaces de igualar la calidad perceptual de NAM, el principal modelador de amplificadores no paramétricos de código abierto.