Challenges and Open Problems in Signal Processing: Panel Discussion Summary from ICASSP 2017

Posted 2020-11-04 kyraact

目标：通过这一文章找到potential research direction

这篇文章是icassp顶级会议邀请的几位著名人物所写对不同领域的预测。

第一部分 机器学习方向

第一，目前的流行趋势是在深度学习，其特点是采用大数据和大的计算能力获得的，但是其可解释性比较差，而且对于个体的稳定性比较差。现有的研究方法是将深度学习和符号系统结合在一起。

第二，有监督学习已经获得了较好的结果。目前在增强学习和无监督学习还有较多的提升能力。对于无监督学习，可以采用的一种思路是用gan网络来获得更多的样本，同时cross domain的弱监督也是非常有研究价值的。

第三，元学习的思路。

第二部分 图信号方向 Open problems in graph signal processing 

第一，传统的方法采用的是格子结构，而目前的很多数据是非结构化的数据。不仅可以信号本身，还可以描述不同信号之间的联系。例如目前常说的知识图谱就是其中的方向之一。

第二，现在的研究热点是将传统的信号处理方法拓展到现在的图结构中。 

第三部分 语音语言处理  Open problems in speech and language processing 

 第一，这里包含的方向有speech recognition(speech"words), natural language understanding (words"meaning), natural language generation (meaning"words),speech synthesis (words"speech), and machine translation (words in L1"words in L2)。主要用到的思路也是这样的。

第二，当背景噪音比较大，或者有多个人在同时说话时，目前的性能还是远差于人类的结果。

第三，目前比较流行的趋势是Two emerging trends aimed at addressing some of the challenges are continuous representations and end- to- end
training。前者是指将原来的信号转换到了新的连续空间，将原来不定长度变成了定长的信号，从而可以采用传统的机器学习方法。后者的概念可以参考http://www.360doc.com/content/16/1229/22/32626470_618762237.shtml。主要的意思是指不需要进行vad、去噪以及特征提取等过程，而是从输入端的语音，中间包括有神经网络，终端就是文本的输出，这样避免了传输中带来的不便。