Flot pris til Morten Kolbæk for artikel om cocktailparty-problem

Flot pris til Morten Kolbæk for artikel om cocktailparty-problem

Ph.d.studerende Morten Kolbæk fra Institut for Elektroniske Systemer har i skarp konkurrence med internationale forskere fra hele verden vundet en prestigefyldt Best student paper award på international workshop i Japan.

Lagt online: 06.10.2017

”En teknik, der kan hjælpe med at løse det såkaldte ”cocktailparty-problem”. Sådan forklarer Morten Kolbæk emnet i den videnskabelige artikel, der netop har skaffet ham en pris i Japan på den internationale workshop om Maskinindlæring til signalbehandling (MLSP).

TALRIGE FORSØG PÅ LØSNING AF PROBLEMET

Cocktailparty-problemet beskriver den udfordring, vi som mennesker er udsat for, når vi i en forsamling af mange mennesker forsøger at føre en samtale med en anden person. Her skal vores hjerne fokusere på ét talesignal og forsøge at frasortere alle andre, for at vi kan forstå, hvad der bliver sagt af den person, som indgår i samtalen.

En løsning på cocktailparty-problemet vil være meget eftertragtet i for eksempel mobilindustrien og høreapparatindustrien, forklarer Morten Kolbæk:

– Det har været målet for mange ingeniører de sidste små 70 år, og der er blevet gjort talrige forsøg på at løse det, dog uden det store held. Vi har heller ikke løst problemet, men vi har udviklet en teknik, som kan føre til et skridt i den rigtige retning.

DEEP LEARNING-TEKNIKKEN

Den teknik, som Morten Kolbæk har beskrevet, har han udviklet i samarbejde med forskerkollegerne Zheng-Hua Tan og Jesper Jensen fra AAU-forskningscentret CASPR (Centre for Acoustic Signal Processing Research) og Dong Yu fra Tencent AI Lab, Seattle. Teknikken gør brug af moderne teknikker, populært kaldet Deep Learning, som har potentiale til at kunne løse en del af cocktailparty-problemet.

– Den store forskel på vores metode og tidligere metoder er, at vores metode ”lærer fra data”, hvilket vil sige, at vi ikke fortæller, hvordan problemet skal løses, men i stedet viser, hvordan vi gerne vil have resultatet til at se ud. Ved hjælp af disse deep learning-teknikker og en masse data kan vores algoritme selv finde frem til en løsning, som kun bliver bedre i takt med, at vi viser algoritmen flere eksempler, siger Morten Kolbæk.

Han har en stor tro på, at teknikken kan komme til at spille en væsentlig rolle i fremtiden:

– Siden data og beregningskraft er to ting, som vi uden tvivl vil få meget mere af fremover, er der al mulig grund til at tro, at vores teknik vil kunne give bedre resultater og dermed have potentialet til at løse nogle praktiske problemer.

Artiklen kan læses her.

FAKTA:

Workshoppen, som afholdes årligt, er årets vigtigste samlingspunkt for Maskinindlæring til signalbehandling (Machine Learning for Signal Processing - MLSP).

Konferencen blev i år afholdt i Tokyo med 175 deltagere fra hele verden.

Næste år afholdes workshoppen i Aalborg v/ SIP-sektionen på Institut for Elektroniske Systemer (17.- 20. september 2018) med Zheng-Hua Tan som formand