1,721,000 research outputs found
Speaker clustering using dominant sets
Full text linkSpeaker clustering is the task of forming speaker-specific groups based on a set of utterances. In this paper, we address this task by using Dominant Sets (DS). DS is a graphbased clustering algorithm with interesting properties that fits well to our problem and has never been applied before to speaker clustering. We report on a comprehensive set of experiments on the TIMIT dataset against standard clustering techniques and specific speaker clustering methods. Moreover, we compare performances under different features by using ones learned via deep neural network directly on TIMIT and other ones extracted from a pre-trained VGGVox net. To asses the stability, we perform a sensitivity analysis on the free parameters of our method, showing that performance is stable under parameter changes. The extensive experimentation carried out confirms the validity of the proposed method, reporting state-of-the-art results under three different standard metrics. We also report reference baseline results for speaker clustering on the entire TIMIT dataset for the first time
KI als Chance für die angewandten Wissenschaften im Wettbewerb der Hochschulen
No full textReferenzen
[1] George F. Luger. Artificial intelligence: structures and strategies for complex problem solving. Pearson education, 6th Edition, 2008.
[2] Thilo Stadelmann, Julian Keuzenkamp, Helmut Grabner, and Christoph Würsch. The AI Atlas: Didactics for Teaching AI and Machine Learning On-Site, Online, and hybrid. Educ. Sci. 2021, 11, 318, MDPI, Basel, Switzerland, June 25, 2021.
[3] Yanick X. Lukic, Carlo Vogt, Oliver Dürr, and Thilo Stadelmann. Learning embeddings for speaker clustering based on voice equality. In: Proceedings of the 27th IEEE International Workshop on Machine Learning for Signal Processing (MLSP’17), IEEE, 2017.
[4] Thilo Stadelmann, Mohammadreza Amirian, Ismail Arabaci, Marek Arnold, Gilbert François Duivesteijn, Ismail Elezi, Melanie Geiger, Stefan Lörwald, Benjamin Bruno Meier, Katharina Rombach, and Lukas Tuggener. Deep Learning in the Wild. In: Proceedings of the 8th IAPR TC 3 Workshop on Artificial Neural Networks for Pattern Recognition (ANNPR'18), Springer, LNAI 11081, pp. 17-38, Siena, Italy, September 19-21, 2018.
[5] Lukas Tuggener, Mohammadreza Amirian, Fernando Benites, Pius von Däniken, Prakhar Gupta, Frank-Peter Schilling, and Thilo Stadelmann. Design Patterns for Resource-Constrained Automated Deep-Learning Methods. AI section "Intelligent Systems: Theory and Applications" 1(4):510-538, MDPI, Basel, Switzerland, November 06, 2020.
[6] Thilo Stadelmann, Vasily Tolkachev, Beate Sick, Jan Stampfli, and Oliver Dürr. Beyond ImageNet: deep learning in industrial practice. In: Braschler, Stadelmann and Stockinger (Eds.), Applied Data Science (pp. 205-232). Springer, Cham.
[7] Lukas Tuggener, Yvan Putra Satyawan, Alexander Pacha, Jürgen Schmidhuber, and Thilo Stadelmann. The DeepScoresV2 Dataset and Benchmark for Music Object Detection. In: Proceedings of the 25th International Conference on Pattern Recognition (ICPR'20), IAPR, Milan, Italy, January 10-15 (online), 2021.
[8] Samuel Wehrli, Corinna Hertweck, Mohammadreza Amirian, Stefan Glüge, and Thilo Stadelmann. Bias, awareness and ignorance in deep-learning-based face recognition. AI and Ethics, Springer, October 27, 2021.
[9] Pascal Sager, Sebastian Salzmann, Felice Burn, and Thilo Stadelmann. Unsupervised Domain Adaptation for Vertebrae Detection and Identification in 3D CT Volumes Using a Domain Sanity Loss. J. Imaging 2022, 8(8), 222, MDPI, Basel, Switzerland.Mit der Künstlichen Intelligenz (KI) ist ein Megatrend in der Mitte der Gesellschaft angekommen, der sich als Glücksfalls für die Hochschulen für angewandte Wissenschaften erweist: KI ist nicht nur in aller Munde, es ist im Kern eine angewandte Wissenschaft. KI bietet daher nicht nur Wachstumschancen in allen vier Leistungsbereichen, sondern auch sehr gute Argumente für die exzellente wissenschaftliche Arbeit unserer Hochschulen. Diese sollten über die Disziplin KI hinaus für den Ruf unserer Hochschulen nutzbar gemacht werden.
Das Fachgebiet KI entstand in den 1950er Jahren als Disziplin, in welcher Verfahren zum Lösen komplexer Probleme mittels des Computers entwickelt wurden, d.h. für Probleme, welche bis anhin nur der Mensch mit Hilfe seines Kopfes zu lösen im Stande war [1]. Der Durchbruch der 2010er Jahre im Bereich des maschinellen Lernens (ML), einer der beiden Hauptzugänge zu KI und Begründer der aktuellen Relevanz des Themas, wird vor allem von Personen innerhalb der (Tech-)Industrie getrieben, Fortschritt wird in öffentlichen Messkampagnen quasi alternativlos an besseren Leistungen in anwendungsorientierten Benchmarks gemessen. Man kommt zu dem Schluss: Es ist heute sehr schwierig, etwas nicht Angewandtes im Bereich KI zu entwickeln. Gleichzeitig drängen immer mehr klassisch Grundlagen-orientierte Hochschulen wie Universitären und Institute des ETH-Sektors in den Raum der anwendungsnahen Forschung, wie sich an der Höhe der Innosuisse-Zuwendungen pro Institution sowie der Gründungen von industrienahen interdisziplinären Forschungsclustern (und deren Selbstdarstellungen) im Bereich KI messen und beobachten lässt.
Dies steht im starken Gegensatz zum zwar nicht ursprünglich intendierten, jedoch tradierten Systemstreit zwischen den Hochschultypen im gesamten deutschsprachigen Raum: Anwendungsnähe in Forschung und Lehre wird zwar offiziell als «gleichwertig, aber andersartig» bekannt. Im alltäglichen Mit- und Gegeneinander im Kampf um Mittel und Aufmerksamkeit bleibt jedoch allzu häufig der Beigeschmack einer bereits im Ansatz begründeten qualitativen Hierarchie der Hochschultypen, mit Anwendungsorientierung als Paradigma zweiter Klasse. Die Auswirkungen dieser implizit wahrzunehmenden Konnotation haben handfeste negative Auswirkungen auf die Möglichkeiten an Hochschulen für angewandte Wissenschaften: für die Berufsaussichten der Absolventinnen und Absolventen, Zugang zu Mitarbeitenden, Chancen auf Drittmittel.
Hier bietet das Beispiel der Disziplin KI Chancen: Wie dargelegt ist KI qua Konstruktion anwendungsorientiert, folglich ist ein grosser Teil der relevanten Themen in Forschung und Lehre hoch praxisrelevant. Hinzu kommt eine in der KI existierende besondere zeitliche Nähe zwischen Grundlagen (auch diese existieren) und Anwendungen: Es vergehen in unserer Erfahrung oft nur wenige Wochen zwischen einer wissenschaftlichen Publikation und deren Adaptierung im betrieblichen Alltag innovativer Unternehmungen. Die klassisch postulierte Sequenz von Grundlagenforschung --> angewandte Forschung --> betriebliche Innovation wandelt sich im Bereich der KI zur parallelen Gleichzeitigkeit, in welcher sich Anwendung (durch ihre spezifischen Fragestellungen) und Grundlagen (durch die mit der Anwendung verknüpfte Forschung) gegenseitig anstossen und voranbringen. Diese Umsetzungsgeschwindigkeit aktueller KI-Forschung bringt noch einen weiteren Aspekt mit sich: Das Fundament der Grundlagen ist nicht engmaschig gewebt, sondern weist immer wieder Löcher auf – schwarze Flecken auf der Landkarte, welche durch die aktuellen Anwendungsfälle und Benchmarks nicht beleuchtet werden mussten.
In diesem Umfeld haben Institutionen für angewandte Wissenschaften, welche um die speziellen Bedürfnisse in hochspezialisierten Anwendungsdomänen wissen, einen Vorteil: Sie sind bestens ausgerüstet nicht nur mit Wissen (Master- und Doktoratsabschlüsse der Forschenden), sondern auch doppelt gut ausgebildetem Personal (Dozierende mit akademischer und industrieller Erfahrung) und Strukturen (industrielles Netzwerk, Zugang zu relevanten Drittmittelgebern wie Innosuisse), um konkurrenzfähige (tlw. konkurrenzlose) Arbeit im Feld KI durchzuführen, die keine internationale Konkurrenz per se scheuen muss. Diese Präsentation wird dies mit Beispielen aus unserer Lehre [2], Forschung [Beispielhaft: 3-9] und Organisation [Gründung des CAI 2021; Akquisition der ersten Stiftungsprofessur 2022] belegen.
Die Chance, welche sich für die Hochschulen für angewandte Wissenschaften und ihr Management hieraus ergibt, konkretisiert sich in den Antworten auf folgende Fragen: Wie lassen sich die institutionellen Durchbrüche zur gelebten Gleichwertigkeit des Hochschultyps, die im Feld KI möglich sind, auf andere Bereiche übertragen? Wie finden wir zu einem entspannt-positiven Umgang mit Exzellenz in angewandten Wissenschaften, ohne auch intern in Systemkämpfe zu verfallen? Antworten hierzu finden sich neben dem vorgestellten Case auch im Blick auf die internationale Hochschullandschaft, welche eine grosse Menge und Vielfalt an Institutionen für angewandte Wissenschaften unterschiedlicher Reichweite kennt – nicht jedoch eine prinzipielle, qualitativ begründete Hierarchie der Hochschultypen
KI als Chance für die angewandten Wissenschaften im Wettbewerb der Hochschulen
No full textReferenzen
[1] George F. Luger. Artificial intelligence: structures and strategies for complex problem solving. Pearson education, 6th Edition, 2008.
[2] Thilo Stadelmann, Julian Keuzenkamp, Helmut Grabner, and Christoph Würsch. The AI Atlas: Didactics for Teaching AI and Machine Learning On-Site, Online, and hybrid. Educ. Sci. 2021, 11, 318, MDPI, Basel, Switzerland, June 25, 2021.
[3] Yanick X. Lukic, Carlo Vogt, Oliver Dürr, and Thilo Stadelmann. Learning embeddings for speaker clustering based on voice equality. In: Proceedings of the 27th IEEE International Workshop on Machine Learning for Signal Processing (MLSP’17), IEEE, 2017.
[4] Thilo Stadelmann, Mohammadreza Amirian, Ismail Arabaci, Marek Arnold, Gilbert François Duivesteijn, Ismail Elezi, Melanie Geiger, Stefan Lörwald, Benjamin Bruno Meier, Katharina Rombach, and Lukas Tuggener. Deep Learning in the Wild. In: Proceedings of the 8th IAPR TC 3 Workshop on Artificial Neural Networks for Pattern Recognition (ANNPR'18), Springer, LNAI 11081, pp. 17-38, Siena, Italy, September 19-21, 2018.
[5] Lukas Tuggener, Mohammadreza Amirian, Fernando Benites, Pius von Däniken, Prakhar Gupta, Frank-Peter Schilling, and Thilo Stadelmann. Design Patterns for Resource-Constrained Automated Deep-Learning Methods. AI section "Intelligent Systems: Theory and Applications" 1(4):510-538, MDPI, Basel, Switzerland, November 06, 2020.
[6] Thilo Stadelmann, Vasily Tolkachev, Beate Sick, Jan Stampfli, and Oliver Dürr. Beyond ImageNet: deep learning in industrial practice. In: Braschler, Stadelmann and Stockinger (Eds.), Applied Data Science (pp. 205-232). Springer, Cham.
[7] Lukas Tuggener, Yvan Putra Satyawan, Alexander Pacha, Jürgen Schmidhuber, and Thilo Stadelmann. The DeepScoresV2 Dataset and Benchmark for Music Object Detection. In: Proceedings of the 25th International Conference on Pattern Recognition (ICPR'20), IAPR, Milan, Italy, January 10-15 (online), 2021.
[8] Samuel Wehrli, Corinna Hertweck, Mohammadreza Amirian, Stefan Glüge, and Thilo Stadelmann. Bias, awareness and ignorance in deep-learning-based face recognition. AI and Ethics, Springer, October 27, 2021.
[9] Pascal Sager, Sebastian Salzmann, Felice Burn, and Thilo Stadelmann. Unsupervised Domain Adaptation for Vertebrae Detection and Identification in 3D CT Volumes Using a Domain Sanity Loss. J. Imaging 2022, 8(8), 222, MDPI, Basel, Switzerland.Mit der Künstlichen Intelligenz (KI) ist ein Megatrend in der Mitte der Gesellschaft angekommen, der sich als Glücksfalls für die Hochschulen für angewandte Wissenschaften erweist: KI ist nicht nur in aller Munde, es ist im Kern eine angewandte Wissenschaft. KI bietet daher nicht nur Wachstumschancen in allen vier Leistungsbereichen, sondern auch sehr gute Argumente für die exzellente wissenschaftliche Arbeit unserer Hochschulen. Diese sollten über die Disziplin KI hinaus für den Ruf unserer Hochschulen nutzbar gemacht werden.
Das Fachgebiet KI entstand in den 1950er Jahren als Disziplin, in welcher Verfahren zum Lösen komplexer Probleme mittels des Computers entwickelt wurden, d.h. für Probleme, welche bis anhin nur der Mensch mit Hilfe seines Kopfes zu lösen im Stande war [1]. Der Durchbruch der 2010er Jahre im Bereich des maschinellen Lernens (ML), einer der beiden Hauptzugänge zu KI und Begründer der aktuellen Relevanz des Themas, wird vor allem von Personen innerhalb der (Tech-)Industrie getrieben, Fortschritt wird in öffentlichen Messkampagnen quasi alternativlos an besseren Leistungen in anwendungsorientierten Benchmarks gemessen. Man kommt zu dem Schluss: Es ist heute sehr schwierig, etwas nicht Angewandtes im Bereich KI zu entwickeln. Gleichzeitig drängen immer mehr klassisch Grundlagen-orientierte Hochschulen wie Universitären und Institute des ETH-Sektors in den Raum der anwendungsnahen Forschung, wie sich an der Höhe der Innosuisse-Zuwendungen pro Institution sowie der Gründungen von industrienahen interdisziplinären Forschungsclustern (und deren Selbstdarstellungen) im Bereich KI messen und beobachten lässt.
Dies steht im starken Gegensatz zum zwar nicht ursprünglich intendierten, jedoch tradierten Systemstreit zwischen den Hochschultypen im gesamten deutschsprachigen Raum: Anwendungsnähe in Forschung und Lehre wird zwar offiziell als «gleichwertig, aber andersartig» bekannt. Im alltäglichen Mit- und Gegeneinander im Kampf um Mittel und Aufmerksamkeit bleibt jedoch allzu häufig der Beigeschmack einer bereits im Ansatz begründeten qualitativen Hierarchie der Hochschultypen, mit Anwendungsorientierung als Paradigma zweiter Klasse. Die Auswirkungen dieser implizit wahrzunehmenden Konnotation haben handfeste negative Auswirkungen auf die Möglichkeiten an Hochschulen für angewandte Wissenschaften: für die Berufsaussichten der Absolventinnen und Absolventen, Zugang zu Mitarbeitenden, Chancen auf Drittmittel.
Hier bietet das Beispiel der Disziplin KI Chancen: Wie dargelegt ist KI qua Konstruktion anwendungsorientiert, folglich ist ein grosser Teil der relevanten Themen in Forschung und Lehre hoch praxisrelevant. Hinzu kommt eine in der KI existierende besondere zeitliche Nähe zwischen Grundlagen (auch diese existieren) und Anwendungen: Es vergehen in unserer Erfahrung oft nur wenige Wochen zwischen einer wissenschaftlichen Publikation und deren Adaptierung im betrieblichen Alltag innovativer Unternehmungen. Die klassisch postulierte Sequenz von Grundlagenforschung --> angewandte Forschung --> betriebliche Innovation wandelt sich im Bereich der KI zur parallelen Gleichzeitigkeit, in welcher sich Anwendung (durch ihre spezifischen Fragestellungen) und Grundlagen (durch die mit der Anwendung verknüpfte Forschung) gegenseitig anstossen und voranbringen. Diese Umsetzungsgeschwindigkeit aktueller KI-Forschung bringt noch einen weiteren Aspekt mit sich: Das Fundament der Grundlagen ist nicht engmaschig gewebt, sondern weist immer wieder Löcher auf – schwarze Flecken auf der Landkarte, welche durch die aktuellen Anwendungsfälle und Benchmarks nicht beleuchtet werden mussten.
In diesem Umfeld haben Institutionen für angewandte Wissenschaften, welche um die speziellen Bedürfnisse in hochspezialisierten Anwendungsdomänen wissen, einen Vorteil: Sie sind bestens ausgerüstet nicht nur mit Wissen (Master- und Doktoratsabschlüsse der Forschenden), sondern auch doppelt gut ausgebildetem Personal (Dozierende mit akademischer und industrieller Erfahrung) und Strukturen (industrielles Netzwerk, Zugang zu relevanten Drittmittelgebern wie Innosuisse), um konkurrenzfähige (tlw. konkurrenzlose) Arbeit im Feld KI durchzuführen, die keine internationale Konkurrenz per se scheuen muss. Diese Präsentation wird dies mit Beispielen aus unserer Lehre [2], Forschung [Beispielhaft: 3-9] und Organisation [Gründung des CAI 2021; Akquisition der ersten Stiftungsprofessur 2022] belegen.
Die Chance, welche sich für die Hochschulen für angewandte Wissenschaften und ihr Management hieraus ergibt, konkretisiert sich in den Antworten auf folgende Fragen: Wie lassen sich die institutionellen Durchbrüche zur gelebten Gleichwertigkeit des Hochschultyps, die im Feld KI möglich sind, auf andere Bereiche übertragen? Wie finden wir zu einem entspannt-positiven Umgang mit Exzellenz in angewandten Wissenschaften, ohne auch intern in Systemkämpfe zu verfallen? Antworten hierzu finden sich neben dem vorgestellten Case auch im Blick auf die internationale Hochschullandschaft, welche eine grosse Menge und Vielfalt an Institutionen für angewandte Wissenschaften unterschiedlicher Reichweite kennt – nicht jedoch eine prinzipielle, qualitativ begründete Hierarchie der Hochschultypen
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Quasi-CliquePool: Hierarchical Graph Pooling for Graph Classification
No full textGraph Neural Networks (GNNs) have revolutionized graph learning
through efficiently learned node embeddings and achieved promis-
ing results in various graph-related tasks such as node and graph
classification. Within GNNs, a pooling operation reduces the size of
the input graph by grouping nodes that share commonalities intend-
ing to generate more robust and expressive latent representations.
For this reason, pooling is a critical operation that significantly
affects downstream tasks. Existing global pooling methods mostly
use readout functions like max or sum to perform the pooling op-
erations, but these methods neglect the hierarchical information of
graphs. Clique-based hierarchical pooling methods have recently
been developed to overcome global pooling issues. Such clique
pooling methods perform a hard partition between nodes, which
destroys the topological structural relationship of nodes, assuming
that a node should belong to a single cluster. However, overlap-
ping clusters widely exist in many real-world networks since a
node can belong to more than one cluster. Here we introduce a
new hierarchical graph pooling method to address this issue. Our
pooling method, named Quasi-CliquePool, builds on the concept of
a quasi-clique, which generalizes the notion of cliques to extract
dense incomplete subgraphs of a graph. We also introduce a soft
peel-off strategy to find the overlapping cluster nodes to keep the
topological structural relationship of nodes. For a fair comparison,
we follow the same procedure and training settings used by state-
of-the-art pooling techniques. Our experiments demonstrate that
combining the Quasi-Clique Pool with existing GNN architectures
yields an average improvement of 2% accuracy on four out of six
graph classification benchmarks compared to other existing pooling
methods
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Full text linkWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
