研究复现频带分割循环神经网络用于音乐源分离的性能与能耗成本
Investigating the Performance and Energy Costs of Replicating Band-Split RNN for Music Source Separation
浏览论文内容
中文总结 AI 辅助
本文复现了频带分割循环神经网络（BSRNN）音乐源分离模型，通过实验研究设计选择并报告能耗成本，强调完整流程可用性对降低碳足迹的重要性，并公开代码与预训练模型。
中文摘要 AI 辅助
频带分割循环神经网络（BSRNN）是一种流行的音乐源分离模型，在使用合理的计算资源和公开数据集的情况下，其结果接近当前最优水平。因此，从可复现研究的角度来看，它颇具吸引力，但由于其完整代码不可用，实现其性能并非易事。在本文中，我们通过实现完整流程对BSRNN进行了复现。我们通过实验研究数据预处理、优化协议和架构参数等方面的各种设计选择，扩展了原论文的分析。我们报告并讨论了该项目的能耗成本，并强调如果完整流程可用，其碳足迹本可以大幅降低，这倡导了更具可复现性的研究实践。为实现这一目标，我们公开发布了我们的代码和预训练模型。
英文摘要
Band-split recurrent neural network (BSRNN) is a popular music source separation model that yields close to state-of-the-art results using reasonable computational resources and public datasets. It is therefore interesting from a reproducible research perspective, but achieving its performance is not straightforward since its full code is not available. In this paper, we conduct a replication of BSRNN via implementing the full pipeline. We extend the original paper's analysis by experimentally studying various design choices about data preprocessing, the optimization protocol, and architectural parameters. We report and discuss this project's energy cost, and we underline how its footprint could have been substantial lower upon availability of the full pipeline, which advocates for more reproducible research practices. To comply with this objective, we publicly release our code and pre-trained models.
发表机构
- Université de Lorraine, CNRS（洛林大学，国家科学研究中心）
- Inria, LORIA（法国国家信息与自动化研究所，洛林计算机科学实验室）
- Centrale Med, Aix Marseille Univ（中央梅德学院，艾克斯-马赛大学）
- CNRS, LIS（国家科学研究中心，信息与系统实验室）
机构由 AI 辅助整理，请以论文原文为准。
