論文の概要: NAACA: Training-Free NeuroAuditory Attentive Cognitive Architecture with Oscillatory Working Memory for Salience-Driven Attention Gating

• arxiv url: http://arxiv.org/abs/2605.13651v1
• Date: Wed, 13 May 2026 15:09:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.128216
• Title: NAACA: Training-Free NeuroAuditory Attentive Cognitive Architecture with Oscillatory Working Memory for Salience-Driven Attention Gating
• Title（参考訳）: NAACA:Salience-Driven Attention Gatingのための運動記憶を用いた無訓練神経聴覚認知アーキテクチャ
• Authors: Zhongju Yuan, Geraint Wiggins, Dick Botteldooren,
• Abstract要約: NAACAは,聴覚サリエンス問題として注意割当を再設定する,無訓練神経聴覚注意認知アーキテクチャである。 OWMは神経インスパイアされたワーキングメモリであり、安定したアトラクションのような状態を維持し、高い認知ALM処理をトリガーする。
• 参考スコア（独自算出の注目度）: 6.273703979947789
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Audio provides critical situational cues, yet current Audio Language Models (ALMs) face an attention bottleneck in long-form recordings where dominant background patterns can dilute rare, salient events. We introduce NAACA, a training-free NeuroAuditory Attentive Cognitive Architecture that reframes attention allocation as an auditory salience filtering problem. At its core is OWM, a neuro-inspired Oscillatory Working Memory that maintains stable attractor-like states and triggers higher-cognition ALM processing only when adaptive energy fluctuations signal perceptual salience, triggering higher-level reasoning. On XD-Violence, NAACA improves AudioQwen's average precision (AP) from 53.50% to 70.60% while reducing unnecessary ALM invocations. Furthermore, qualitative case studies on the Urban Soundscapes of the World (USoW) dataset show that OWM captures novel events and subcategory shifts while remaining robust to transient pauses and ambient urban noise.
• Abstract（参考訳）: オーディオは重要な状況の手がかりを提供するが、現在のAudio Language Models(ALMs)は、主流のバックグラウンドパターンが希少で健全なイベントを希薄にすることができるロングフォーム記録において、注目のボトルネックに直面している。 NAACAは、聴覚的サリエンスフィルタリング問題として注意割当を再設定する、トレーニング不要なニューロオーディトリー注意認知アーキテクチャである。 OWMは神経にインスパイアされたOscillatory Working Memoryで、安定したアトラクションのような状態を維持し、適応エネルギーが信号の知覚的サリエンスを揺らぎ、より高いレベルの推論を引き起こす場合にのみ高い認知ALM処理をトリガーする。 XD-Violenceでは、NAACAはAudioQwenの平均精度(AP)を53.50%から70.60%に改善し、不要なALM呼び出しを減らす。 さらに、Urban Soundscapes of the World (USoW)データセットの定性的なケーススタディでは、OWMが新しいイベントやサブカテゴリシフトを捉えながら、過渡的な一時停止や周囲の都市騒音に頑健に留まっていることが示されている。

関連論文リスト

• Detecting Hallucinations in SpeechLLMs at Inference Time Using Attention Maps [1.8825446478246406]
  音声大言語モデル(SpeechLLMs)における幻覚は重大なリスクを伴うが、既存の検出方法は、コストがかかるか現実的でない金標準出力に依存している。 本研究は,幻覚に関連する病的注意パターンを捉えるために,AuDIORATIO,AUDIOCONSISTENCY,AUDIOENTROPY,TEXTENTROPYの4つの注意指標について検討した。 自動音声認識と音声からテキストへの翻訳作業は,不確実性に基づくベースラインや,それ以前のアテンションに基づくベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-04-21T15:18:10Z)
• NeuroLip: An Event-driven Spatiotemporal Learning Framework for Cross-Scene Lip-Motion-based Visual Speaker Recognition [17.96933456290729]
  唇運動は、一貫した調音パターンと筋の協調によって駆動される主観的行動力学を符号化する。 NeuroLipはイベントベースのフレームワークで、厳密だが実用的なクロスシーンプロトコルの下で、きめ細かい唇の動きをキャプチャする。 NeuroLipは、ほぼ完全に一致したシーン精度と堅牢なクロスシーン認識を実現し、目に見えない視点で71%以上の精度を達成する。
  論文  参考訳（メタデータ） (2026-04-17T05:42:17Z)
• Neuro-RIT: Neuron-Guided Instruction Tuning for Robust Retrieval-Augmented Language Model [18.49378483853084]
  Neuro-RIT(Neuro-Guided Robust Instruction Tuning)は、高密度適応から精度駆動型ニューロンアライメントへパラダイムをシフトさせる新しいフレームワークである。 本手法は、属性に基づくニューロンマイニングを用いて、関連するコンテキストと無関係なコンテキストとを関連づけるニューロンを明示的に分離する。
  論文  参考訳（メタデータ） (2026-04-02T15:49:50Z)
• SAGE: Sink-Aware Grounded Decoding for Multimodal Hallucination Mitigation [33.381194425912234]
  視覚言語モデル(VLM)はしばしば幻覚に悩まされ、視覚入力と矛盾するコンテンツを生成する。 SAGE, Sink-Aware Grounded Decoding frameworkは, 生成中の自己注意を動的に調節することで幻覚を緩和する。 本手法は,MSCOCOでは10.65%,AMBERでは7.19%の相対的改善を実現している。
  論文  参考訳（メタデータ） (2026-03-29T22:52:03Z)
• Neural Dynamics Self-Attention for Spiking Transformers [59.57278823240336]
  TransformerアーキテクチャによるSNN(Spike Neural Networks)は、エネルギー効率とパフォーマンスのバランスをとるための、有望な経路を提供する。 既存のスパイキングトランスフォーマーは、(i)ニューラルネットワーク(ANN)と(ii)推論時の高メモリオーバーヘッドと比較して、大幅なパフォーマンスギャップがあるという2つの重要な課題に直面している。 本稿では、局所受容野を持つスパイキングニューロンを用いて、メモリ要求を減らしながら注意を計算するLRF-Dynを提案する。
  論文  参考訳（メタデータ） (2026-03-09T12:23:37Z)
• How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime? [78.0226274470175]
  我々は、勾配更新にラベルノイズを導入することで、ニューラルネットワーク(NN)のテスト性能が向上するかどうか検討する。 学習中のラベルノイズの付加は,学習過程を支配することを防止し,雑音の記憶を抑制することを実証する。 対照的に、標準GDで訓練されたNNは、同じ低SNR環境でのノイズに過度に適応する傾向にある。
  論文  参考訳（メタデータ） (2025-10-20T13:28:13Z)
• WoW-Bench: Evaluating Fine-Grained Acoustic Perception in Audio-Language Models via Marine Mammal Vocalizations [67.6147632074449]
  海洋哺乳動物の発声を用いた低レベルの聴覚知覚と認知を評価するために,WoW-Benchベンチマーク(World-of-Whale benchmark)を導入した。 WoW-Benchは、新しい音を分類するための知覚ベンチマークと、ブルームの分類学にインスパイアされた認知ベンチマークで構成され、音の出来事を記憶、理解、応用、分析する能力を評価する。 最先端のLALMを用いた実験は、人間のレベルよりもはるかに低い性能を示し、LALMのより強力な聴覚的接地の必要性を示している。
  論文  参考訳（メタデータ） (2025-08-28T16:29:46Z)
• Neural Acoustic Context Field: Rendering Realistic Room Impulse Response With Neural Fields [61.07542274267568]
  このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。 RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。 実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
  論文  参考訳（メタデータ） (2023-09-27T19:50:50Z)
• Spiking-LEAF: A Learnable Auditory front-end for Spiking Neural Networks [53.31894108974566]
  Spiking-LEAFは、SNNベースの音声処理用に慎重に設計された学習可能な聴覚フロントエンドである。 キーワードスポッティングと話者識別タスクにおいて、提案したSpking-LEAFは、聴覚フロントエンドのSOTAよりも優れている。
  論文  参考訳（メタデータ） (2023-09-18T04:03:05Z)
• When Noise meets Chaos: Stochastic Resonance in Neurochaos Learning [0.0]
  ニューロカオス学習(NL)における共鳴(SR)現象の実証 SRはNLの単一ニューロンのレベルで発現し、効率的なサブスレッショルド信号検出を可能にする。 ニューロカオス学習における中間レベルのノイズは、分類タスクにおけるピークパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-02-02T05:16:55Z)

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。