无监督异常声音检测（ASD）通过学习声音特征并感知偏差，旨在识别异常声音。本文提出了一种训练技术，确保类内紧凑性并增加正常和异常样本之间的角间隔。实验结果表明，该方法在DCASE 2020 Challenge Task2数据集上相对于最先进的方法有显著提高。

无监督异常声音检测（ASD）通过学习声音特征并感知偏差，旨在识别异常声音。本文提出了一种训练技术，确保类内紧凑性并增加正常和异常样本之间的角间隔。实验结果表明，该方法在DCASE 2020 Challenge Task2数据集上相对于最先进的方法有显著提高。

该文介绍了一种无监督异常声音检测（ASD）的训练技术，通过表示学习和产生紧凑的类内和互不重叠的类间分布，保证异常数据的表示空间。同时，提出了一种提取重要时间区域特征的结构。实验结果表明，该方法在 DCASE 2020 Challenge Task2 数据集上相对于最先进的方法，AUC、pAUC 和 mAUC 分别提高了 0.90％、0.83％和 2.16％。