論文の概要: Audio Question Answering with GRPO-Based Fine-Tuning and Calibrated Segment-Level Predictions

• arxiv url: http://arxiv.org/abs/2511.14307v1
• Date: Tue, 18 Nov 2025 10:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.043518
• Title: Audio Question Answering with GRPO-Based Fine-Tuning and Calibrated Segment-Level Predictions
• Title（参考訳）: GRPO-based Fine-Tuning and Calibrated Segment-Level Prediction による音声質問応答
• Authors: Marcel Gibier, Nolwenn Celton, Raphaël Duroselle, Pierre Serrano, Olivier Boeffard, Jean-François Bonastre,
• Abstract要約: 我々は,DCASE 2025 Challenge for the Task of Audio Question Answering (AQA)への参加について述べる。 本システムでは、SSLバックボーンBEATを用いてフレームレベルの音声特徴を抽出し、分類ヘッドで処理し、音響事象のセグメントレベルの予測を生成する。 これらのセグメントレベルの予測は、イベントレベルの予測を生成する前に調整される。 提案手法は, 音響事象推論とAQA学習用大規模言語モデルを組み合わせることの有効性を実証し, 開発セット上で62.6%の精度を実現する。
• 参考スコア（独自算出の注目度）: 5.960020042403666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this report, we describe our submission to Track 5 of the DCASE 2025 Challenge for the task of Audio Question Answering(AQA). Our system leverages the SSL backbone BEATs to extract frame-level audio features, which are then processed by a classification head to generate segment-level predictions of acoustic events, following the Audioset ontology. These segment-level predictions are subsequently calibrated before producing event-level predictions. Finally, these predictions are incorporated into a structured prompt, along with the question and candidate answers. This prompt is then fed to a fine-tuned version of Qwen2.5-7B-Instruct, trained using the GRPO algorithm with a simple reward function. Our method achieves an accuracy of 62.6 % on the development set, demonstrating the effectiveness of combining acoustic event reasoning with instruction-tuned large language models for AQA.
• Abstract（参考訳）: 本稿では,DCASE 2025 Challenge for the Task of Audio Question Answering (AQA)について述べる。 本システムでは,SSLバックボーンBEATを用いてフレームレベルの音声特徴を抽出し,分類ヘッドで処理し,音響事象のセグメントレベルの予測を生成する。 これらのセグメントレベルの予測は、イベントレベルの予測を生成する前に調整される。 最後に、これらの予測は、質問や候補者の答えとともに構造化されたプロンプトに組み込まれる。 このプロンプトはQwen2.5-7B-Instructの微調整されたバージョンに送られ、単純な報酬関数を持つGRPOアルゴリズムを用いて訓練される。 提案手法は, 音響事象推論とAQA学習用大規模言語モデルを組み合わせることの有効性を実証し, 開発セット上で62.6%の精度を実現する。

関連論文リスト

• Detect Any Sound: Open-Vocabulary Sound Event Detection with Multi-Modal Queries [18.147981850263708]
  マルチモーダルクエリによってガイドされるオープン語彙SEDのための問合せベースのフレームワークを提案する。 DASMはSEDをフレームレベルの検索タスクとして定式化し、音声機能はテキストやオーディオプロンプトからのクエリベクトルと一致している。 DASMは、局所化精度と新しいクラスへの一般化のバランスを効果的に保ち、オープン語彙設定においてCLAPベースの手法より優れている。
  論文  参考訳（メタデータ） (2025-07-22T08:24:01Z)
• Multi-Domain Audio Question Answering Toward Acoustic Content Reasoning in The DCASE 2025 Challenge [102.84031769492708]
  本課題は,多様な音響シーンに対する対話型質問応答における音声モデルをテストするための3つのQAサブセットを定義する。 開発セットの予備的な結果を比較し、モデルとサブセット間で強い変動を示す。 この課題は、音声モデルの音声理解と推論能力を人間レベルに向上することを目的としている。
  論文  参考訳（メタデータ） (2025-05-12T09:04:16Z)
• Efficient Autoregressive Audio Modeling via Next-Scale Prediction [52.663934477127405]
  我々は、音声トークン化のトークン長を分析し、新しいtextbfScaleレベルのtextbfAudio textbfTokenizer (SAT) を提案する。 SATをベースとした大規模テキストbfAcoustic textbfAutotextbfRegressive(AAR)モデリングフレームワークが提案されている。
  論文  参考訳（メタデータ） (2024-08-16T21:48:53Z)
• Multitask frame-level learning for few-shot sound event detection [46.32294691870714]
  本稿では,限られたサンプルを用いて音声イベントを自動的に認識・分類することを目的とした音声イベント検出(SED)について述べる。 本稿では,データ拡張のためのリニアタイミングマスクであるTimeFilterAugと,マルチタスクフレームレベルのSEDフレームワークを提案する。 提案手法はFスコア63.8%を達成し, バイオ音響事象検出カテゴリーにおける第1位を確保した。
  論文  参考訳（メタデータ） (2024-03-17T05:00:40Z)
• Segment-level Metric Learning for Few-shot Bioacoustic Event Detection [56.59107110017436]
  本稿では,モデル最適化時の肯定的事象と否定的事象の両方を利用するセグメントレベルの数ショット学習フレームワークを提案する。 本システムでは,DCASE2022チャレンジタスク5(DCASE2022-T5)のF値62.73の検証を行い,ベースラインプロトタイプネットワーク34.02の性能を大きなマージンで向上させる。
  論文  参考訳（メタデータ） (2022-07-15T22:41:30Z)
• Speaker-Conditioned Hierarchical Modeling for Automated Speech Scoring [60.55025339250815]
  本研究では、話者条件付き階層型モデリングと呼ばれる非ネイティブASSのための新しいディープラーニング手法を提案する。 本手法では, 口腔熟練度テストが候補に対して複数の応答を評価できるという事実を生かして, 候補に対して複数の応答を評価できる。これらの応答からコンテキストを抽出し, ネットワークに付加的な話者固有のコンテキストとして与えて, 特定の応答をスコアする。
  論文  参考訳（メタデータ） (2021-08-30T07:00:28Z)
• Acoustic Scene Classification Using Bilinear Pooling on Time-liked and Frequency-liked Convolution Neural Network [4.131608702779222]
  本稿では、高調波とパーカッシブ音源分離(HPSS)を用いて、音声を高調波とパーカッシブ音源に分割する方法について検討する。 これら2つのCNNから抽出された深い特徴は、双線形プールによって結合される。 このモデルはDCASE 2019サブタスク1aデータセットで評価されており、開発データセットで平均65%のスコアを得ている。
  論文  参考訳（メタデータ） (2020-02-14T04:06:32Z)

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。