論文の概要: A Cross-Lingual Meta-Learning Method Based on Domain Adaptation for Speech Emotion Recognition

• arxiv url: http://arxiv.org/abs/2410.04633v1
• Date: Sun, 6 Oct 2024 21:33:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 06:26:32.336714
• Title: A Cross-Lingual Meta-Learning Method Based on Domain Adaptation for Speech Emotion Recognition
• Title（参考訳）: ドメイン適応に基づく音声感情認識のための言語間メタラーニング手法
• Authors: David-Gabriel Ion, Răzvan-Alexandru Smădu, Dumitru-Clementin Cercel, Florin Pop, Mihaela-Claudia Cercel,
• Abstract要約: 最高のパフォーマンスの音声モデルは、彼らが目的とする言語で大量のデータに基づいて訓練される。 ほとんどの言語はスパースデータを持ち、トレーニングモデルを困難にしている。 本研究は、限られたデータ、特に音声感情認識のためのモデルの性能について考察する。
• 参考スコア（独自算出の注目度）: 1.8377902806196766
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Best-performing speech models are trained on large amounts of data in the language they are meant to work for. However, most languages have sparse data, making training models challenging. This shortage of data is even more prevalent in speech emotion recognition. Our work explores the model's performance in limited data, specifically for speech emotion recognition. Meta-learning specializes in improving the few-shot learning. As a result, we employ meta-learning techniques on speech emotion recognition tasks, accent recognition, and person identification. To this end, we propose a series of improvements over the multistage meta-learning method. Unlike other works focusing on smaller models due to the high computational cost of meta-learning algorithms, we take a more practical approach. We incorporate a large pre-trained backbone and a prototypical network, making our methods more feasible and applicable. Our most notable contribution is an improved fine-tuning technique during meta-testing that significantly boosts the performance on out-of-distribution datasets. This result, together with incremental improvements from several other works, helped us achieve accuracy scores of 83.78% and 56.30% for Greek and Romanian speech emotion recognition datasets not included in the training or validation splits in the context of 4-way 5-shot learning.
• Abstract（参考訳）: 最高のパフォーマンスの音声モデルは、彼らが目的とする言語で大量のデータに基づいて訓練される。 しかし、ほとんどの言語はスパースデータを持ち、トレーニングモデルを困難にしている。 このデータ不足は、音声の感情認識においてさらに顕著である。 本研究は、限られたデータ、特に音声感情認識のためのモデルの性能について考察する。 メタラーニングは、数発の学習を改善することに特化したものだ。 その結果,メタラーニング技術は,音声の感情認識,アクセント認識,人物識別に応用された。 そこで本研究では,多段階メタ学習法に対する一連の改良を提案する。 メタ学習アルゴリズムの計算コストが高いため、より小さなモデルに焦点を当てた他の研究とは異なり、我々はより実践的なアプローチを取る。 トレーニング済みの大きなバックボーンとプロトタイプネットワークを組み込んで,本手法をより実現し,適用可能にする。 私たちの最も注目すべき貢献は、メタテスト中の微調整技術の改善です。 この結果は、他のいくつかの研究からの漸進的な改善とともに、4方向5ショット学習の文脈ではトレーニングや検証の分割に含まれないギリシャ語およびルーマニア語の感情認識データセットに対して、83.78%と56.30%の精度スコアを達成するのに役立った。

関連論文リスト

• Multi-Modal Retrieval For Large Language Model Based Speech Recognition [15.494654232953678]
  我々は,kNN-LMとクロスアテンション手法の2つのアプローチによるマルチモーダル検索を提案する。 音声に基づくマルチモーダル検索はテキストベースの検索よりも優れていることを示す。 我々は,Spoken-Squad質問応答データセットを用いて,最先端の認識結果を得る。
  論文  参考訳（メタデータ） (2024-06-13T22:55:22Z)
• SememeASR: Boosting Performance of End-to-End Speech Recognition against Domain and Long-Tailed Data Shift with Sememe Semantic Knowledge [58.979490858061745]
  セメムに基づくセマンティック知識情報を音声認識に導入する。 実験の結果,セム情報により音声認識の有効性が向上することが示された。 さらに,本実験により,セメム知識が長期データ認識を改善することが確認された。
  論文  参考訳（メタデータ） (2023-09-04T08:35:05Z)
• Meta Learning to Bridge Vision and Language Models for Multimodal Few-Shot Learning [38.37682598345653]
  視覚モデルと言語モデルとのギャップを埋めるために,マルチモーダルなメタ学習手法を導入する。 我々は,凍結した大規模視覚と言語モデルを効率的にブリッジするためにメタラーナーとして機能するメタマッパーネットワークを定義する。 我々は,最近提案されたマルチモーダル・スショット・ベンチマークに対するアプローチを評価し,新しい視覚概念を単語に結合する速度を計測した。
  論文  参考訳（メタデータ） (2023-02-28T17:46:18Z)
• Self-Supervised Speech Representation Learning: A Review [105.1545308184483]
  自己教師付き表現学習法は、幅広いタスクやドメインに利益をもたらす単一の普遍的モデルを約束する。 音声表現学習は、生成的、コントラスト的、予測的という3つの主要なカテゴリで同様の進歩を経験している。 本稿では,自己指導型音声表現学習のアプローチと,他の研究領域との関係について述べる。
  論文  参考訳（メタデータ） (2022-05-21T16:52:57Z)
• Data Augmentation for Speech Recognition in Maltese: A Low-Resource Perspective [4.6898263272139795]
  マルタ語における音声認識改善のためのデータ拡張手法を検討する。 本稿では,教師なし学習,多言語学習,合成音声を訓練データとして利用する3つのデータ拡張について考察する。 この結果から,3つのデータ拡張手法を組み合わせることで,言語モデルを用いることなく,WERの絶対値が15%向上することが示唆された。
  論文  参考訳（メタデータ） (2021-11-15T14:28:21Z)
• Meta Self-Learning for Multi-Source Domain Adaptation: A Benchmark [3.6248855491320016]
  近年,ディープラーニングに基づく手法は,コンピュータビジョン領域において有望な結果を示している。 一般的なディープラーニングモデルは大量のラベル付きデータを必要とします。 本稿では,メタ学習パラダイムと自己学習手法を組み合わせたメタ自己学習手法を提案する。
  論文  参考訳（メタデータ） (2021-08-24T17:07:34Z)
• Align before Fuse: Vision and Language Representation Learning with Momentum Distillation [52.40490994871753]
  本稿では,ALBEF (BEfore Fusing) の表現に対して,モーダルな注意を通したコントラスト的損失を導入する。 本研究では,運動量モデルで生成した擬似ターゲットから学習する自己学習法である運動量蒸留を提案する。 ALBEFは、複数の下流視覚言語タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-16T00:19:22Z)
• Reinforced Iterative Knowledge Distillation for Cross-Lingual Named Entity Recognition [54.92161571089808]
  言語間NERは、知識をリッチリソース言語から低リソース言語に転送する。 既存の言語間NERメソッドは、ターゲット言語でリッチなラベル付けされていないデータをうまく利用しない。 半教師付き学習と強化学習のアイデアに基づく新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2021-06-01T05:46:22Z)
• Recognizing More Emotions with Less Data Using Self-supervised Transfer Learning [0.0]
  本稿では,音声認識のための新しい伝達学習手法を提案する。 感情のクラス毎の125のサンプルでは、8倍のデータでトレーニングされた強いベースラインよりも高い精度を達成できたのです。
  論文  参考訳（メタデータ） (2020-11-11T06:18:31Z)
• Meta-Transfer Learning for Code-Switched Speech Recognition [72.84247387728999]
  低リソース環境下でのコード切替音声認識システムにおける学習を伝達するメタトランスファー学習法を提案する。 本モデルでは,コードスイッチングデータに最適化を条件付けることにより,個々の言語を識別し,混合言語音声をよりよく認識できるように変換する。
  論文  参考訳（メタデータ） (2020-04-29T14:27:19Z)
• Pre-training Text Representations as Meta Learning [113.3361289756749]
  本稿では,下流タスクを効果的に学習するために,モデルがテキスト表現を学習する能力を直接最適化する学習アルゴリズムを提案する。 マルチタスク事前学習とモデル非依存型メタラーニングの間には,一連のメタトレインステップによる本質的な関係があることが示されている。
  論文  参考訳（メタデータ） (2020-04-12T09:05:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。