論文の概要: SpAArSIST: Sparsified AASIST for Efficient and Reliable Anti-Spoofing

• arxiv url: http://arxiv.org/abs/2606.11674v1
• Date: Wed, 10 Jun 2026 05:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.307587
• Title: SpAArSIST: Sparsified AASIST for Efficient and Reliable Anti-Spoofing
• Title（参考訳）: SpAArSIST: 効率的で信頼性の高いアンチスプーフィングのためのスパシファイドAASIST
• Authors: Anton Firc, Vojtěch Staněk, Zbyněk Lička, Kamil Malinka, Martin Perešíni,
• Abstract要約: 本稿では,自己教師付き学習(SSL)に基づくアンチスプーフィングのためのAASISTグラフプーリングバックエンドであるSpAArSISTを提案する。 パブリック実装における冗長な操作により、学習したプーリングとスタックノードの注意を明示的で軽量な選択に置き換える。 全体的な構成では、バックエンド計算を20.7%削減(195.045M$rightarrow$154.706MMAC)、モデルサイズを4.1%削減(611.8k$rightarrow$586.4kparams)。
• 参考スコア（独自算出の注目度）: 0.17398560678845076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present SpAArSIST, a deployment-oriented refinement of the widely used AASIST graph pooling backend for self-supervised learning (SSL) based anti-spoofing. Motivated by redundant operations in public implementations, we replace learned pooling and stack-node attention with explicit, lightweight choices: separate train and inference graph pooling ratios $(k_{\mathrm{tr}},k_{\mathrm{inf}})$, magnitude-based node scoring, and mean aggregation of graph nodes. The best overall configuration (rank 1) cuts backend compute by 20.7% (195.045M $\rightarrow$ 154.706M MACs) and model size by 4.1% (611.8k $\rightarrow$ 586.4k params), while improving out-of-domain robustness on In-the-Wild to 2.82% EER and 0.078 minDCF (from 4.64% and 0.133) and remaining competitive on ASVspoof5. We further provide a composite selection score that summarizes accuracy, calibration, and compute to support balanced deployment-oriented model choice.
• Abstract（参考訳）: 本稿では,自己教師付き学習(SSL)に基づくアンチスプーフィングのためのAASISTグラフプーリングバックエンドであるSpAArSISTを提案する。 公開実装における冗長な操作により、学習したプーリングとスタックノードの注意を明示的で軽量な選択に置き換える。列車と推論グラフのプーリング比は$(k_{\mathrm{tr}},k_{\mathrm{inf}})$、等級ベースのノードスコアリング、グラフノードの平均集計である。 最高の構成(ランク1)は、バックエンドの計算を20.7%削減(195.045M$\rightarrow$154.706M MACs)、モデルサイズを4.1%削減(611.8k$\rightarrow$586.4k params)する一方で、In-the-Wildでのドメイン外ロバスト性を2.82%に改善し、0.078 minDCF(4.64%から0.133)まで改善し、ASVspoof5の競争力を維持した。 さらに、バランスの取れたデプロイメント指向モデル選択をサポートするために、精度、キャリブレーション、計算を要約した複合選択スコアを提供する。

関連論文リスト

• SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
  本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。 各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。 ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
  論文  参考訳（メタデータ） (2026-06-02T02:45:21Z)
• Cross-Environment Neural Reranking for Sample-Efficient Action Selection in Text-Based Agents [0.0]
  大規模言語モデルエージェントは、テキストベースのベンチマークでは高いパフォーマンスを達成するが、不当な推論コストを発生させる。 単一軽量モデルが多様な環境において動作選択を行うことができるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-06-01T13:00:58Z)
• Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
  定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。 我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。 我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-20T21:25:41Z)
• Hierarchical Attention-based Graph Neural Network with Relevance-driven Pruning [0.0]
  グラフニューラルネットワーク(GNN)は、リレーショナル推論において優れているが、2つの永続的な課題に直面している。 本稿では,階層型アテンションに基づくヘテロジニアスGNN(HA-HeteroGNN)を提案する。 2層アテンション機構は16ノードタイプと18エッジタイプにまたがるセンサレベルとコンテキストレベルの勾配を分離し、アテンションベースGNN Explainerを介してノード単位のレバレンススコアを生成する
  論文  参考訳（メタデータ） (2026-05-10T04:05:36Z)
• Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
  ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。 本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
  論文  参考訳（メタデータ） (2026-05-07T06:31:34Z)
• ContraPrompt: Contrastive Prompt Optimization via Dyadic Reasoning Trace Analysis [0.6372261626436676]
  ContraPromptは、モデルが失敗してもフィードバックで再試行を成功させる場合、その差が最適化信号を構成するという観測に基づいて構築される。 従来のコントラスト法とは異なり、完全な中間的推論過程を比較する。 ContraPromptは11日にGEPAを41で破り、同じ予算で1で敗れた。
  論文  参考訳（メタデータ） (2026-04-20T08:17:15Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• ELSPR: Evaluator LLM Training Data Self-Purification on Non-Transitive Preferences via Tournament Graph Reconstruction [25.85736569130897]
  大規模言語モデル(LLM)のペアワイズ評価は、オープンエンドタスクのベンチマークにおいて支配的なパラダイムとなっている。 この重要な問題は、本質的に曖昧な選好ペアを含む低品質データに起因していることを示す。 トーナメントグラフとしてペアの選好をモデル化する,原則付きグラフ理論フレームワークであるESSPRを提案する。
  論文  参考訳（メタデータ） (2025-05-23T10:00:03Z)
• Provable Stochastic Optimization for Global Contrastive Learning: Small Batch Does Not Harm Performance [53.49803579981569]
  各正の対と全ての負の対をアンカーポイントで対比する、コントラスト学習のグローバルな目的を考える。 SimCLRのような既存のメソッドは、十分な結果を得るために大きなバッチサイズを必要とする。 本稿では,SogCLRという表現のグローバルコントラスト学習を解くためのメモリ効率の最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-24T22:16:53Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Non-Parametric Adaptive Network Pruning [125.4414216272874]
  アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。 顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。 EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
  論文  参考訳（メタデータ） (2021-01-20T06:18:38Z)

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。