# location privacy analysis
---

## Q1. indoor, outdoor, transportation 哪一直種noise最容易暴險?

MSP-PODCAST

IEMOCAP

LibriSpeech clean

LibriSpeech other

### A: Noise 本身 transportation 最容易被辨識， indoor最難

## Q2. DEMUCS denoise過後哪一種location消除得最好

MSP-PODCAST

LibriSpeech clean

LibriSpeech other

### A: 拿Demucs的f1 score去減No的f1 score: 三個資料庫outdoor消最好的情況比較多 （5個snr中出現4個）

## Q3. 使用WAD比DEMUCS在哪種location消除更多

MSP-PODCAST

IEMOCAP

LibriSpeech clean

LibriSpeech other

### A: 各個資料庫有自己的特性，我們分成情緒資料庫(MSP-PODCAST, IEMOCAP)以及語音資料庫(LibriSpeech clean, other)來討論

1. 情緒資料庫：大部份是indoor還有transportation被辨識的機會降得比較多（WAD跟DEMUCS比），而outdoor的消除能力比較容易被犧牲掉，
2. 語音資料庫：整體都有降（WAD跟DEMUCS比），不過outdoor被辨識的機會降得比較多

## Q3-1: 至於在不同SNR狀況的情境下WAD優於DEMUCS的地方有沒有差別？

### A: 我們在LibriSpeech other與IEMOCAP上分別觀察到高低SNR之間的差別
1. 我們可以看出IEMOCAP在SNR=5的時候會處理比較多outdoor

3. 我們可以看出LibriSpeech other在SNR=-10的時候會處理比較多indoor

# 驗證看看SpecStat（頻率能量統計）有沒有等值於原本的Spectrogram實驗
---

大致上就把每個音檔（有把padding的部份移除掉）的頻譜對每個band作mean來代表它，然後丟SVM看能不能學得起來的實驗，最後看DEMUCS - NO 跟原本spectrogram + FCNN的prediction reduction狀況有沒有雷同

Librispeech clean的部份：

Librispeech other的部份：

結論：
比較低的snr (snr=-10) 的趨勢一致（transportation降最多，indoor降最少。）而且降低的幅度也比較像，然後snr越高的幅度就有差了（趨勢可以保留一致到snr=5）。

所以如果要拿SpecStat來探討頻率上的差別的話盡量拿snr=-10的，結論可能會比較明顯。