従来別々に扱われてきた音源位置推定と音源分離を同時に自然に学習できる枠組みの提案。K-means法を微分可能にしたmultimodal clusteringを提案。

画像・音響分類、単音音源位置推定および複数音源におけるsount event detectionにおいて単一のフレームワークで高精度を達成。

手法自体は目新しくないがシンプルかつ実験がしっかりしており実用度が高い。