論文の概要: From Self-Supervised Speech Models to Mixture-of-Experts for Robust Anti-Spoofing

• arxiv url: http://arxiv.org/abs/2606.14639v1
• Date: Fri, 12 Jun 2026 17:04:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:43.004437
• Title: From Self-Supervised Speech Models to Mixture-of-Experts for Robust Anti-Spoofing
• Title（参考訳）: 自己監督音声モデルからロバスト・アンチ・スプーフィングのためのMixture-of-Expertsへ
• Authors: Hugo Daumain, Driss Matrouf, Khaled Khelif, Mickael Rouvier,
• Abstract要約: 現在のアンチ・スプーフィングシステムの鍵となる限界は、目に見えない合成法に対するロバスト性である。 我々は、自己教師付き音声表現モデルをMixture-of-Expertsアーキテクチャに変換し、一般化を改善する。 提案手法は14個のスプーフィングデータセットで評価され,マクロEERを5.46%から4.81%に削減した。
• 参考スコア（独自算出の注目度）: 7.0127840749136645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in speech generation have significantly improved the naturalness of synthetic speech, making spoofing detection increasingly challenging. A key limitation of current anti-spoofing systems is their limited robustness to unseen synthesis methods. In this work, we transform a self-supervised speech representation model into a Mixture-of-Experts (MoE) architecture to improve generalization. Feed-forward blocks in selected encoder layers are replaced by multiple expert networks controlled by a layer-wise gating mechanism, allowing experts to capture complementary acoustic patterns while preserving the representations learned during self-supervised pretraining. We further analyze the architectural choices affecting the performance of this MoE conversion and investigate the activation behavior of the experts. The proposed approach is evaluated on 14 spoofing datasets and reduces the macro EER from 5.46% to 4.81%, corresponding to 11.9% relative improvement over the baseline.
• Abstract（参考訳）: 音声生成の最近の進歩は、合成音声の自然性を大幅に向上させ、スプーフィング検出がますます困難になっている。 現在のアンチ・スプーフィングシステムの鍵となる限界は、目に見えない合成法に対するロバスト性である。 本研究では,自己教師付き音声表現モデルをMixture-of-Experts (MoE)アーキテクチャに変換し,一般化を改善する。 選択したエンコーダ層のフィードフォワードブロックは、レイヤーワイドゲーティング機構によって制御される複数の専門家ネットワークに置き換えられ、専門家は、自己教師付き事前学習中に学習した表現を保存しながら、補完的な音響パターンをキャプチャすることができる。 さらに, このMoE変換の性能に影響を及ぼすアーキテクチャ選択を分析し, 専門家の活性化行動について検討する。 提案手法は14個のスプーフィングデータセットで評価され,マクロEERを5.46%から4.81%に削減した。

関連論文リスト

• ANCHOR: Autoregressive Non-intrusive Chunk-Ordered Refinement for Joint Multi-Resolution Speech Quality Modeling [62.983372215479925]
  ストリーミングと生成システムは、部分的なオーディオから漸進的な推定を必要とする。 多分解能オートレタスクとしてインクリメンタルアセスメントを改良したANCHORを提案する。 2秒プレフィックスの48%のPLCMOSエラー削減を含む、部分入力下でのかなりの堅牢性を示す実験。
  論文  参考訳（メタデータ） (2026-06-08T22:46:30Z)
• On Improving Robustness of Deepfake Image Detectors [5.7418146925786795]
  3つの相補的な設計原則を統合する統一的なフレームワークを提案する。 敵攻撃は主に低次統計と視覚的意味論に基づいて行われる。 提案手法は, アーキテクチャ的に多様である6つの検出器間のロバスト性を一貫して改善する。
  論文  参考訳（メタデータ） (2026-06-01T19:03:32Z)
• Training-Free Intelligibility-Guided Observation Addition for Noisy ASR [57.74127683005929]
  本稿では,雑音環境下での音声認識を改善するために,インテリジェンス誘導観測加算法を提案する。 さまざまなSE-ASRの組み合わせとデータセットによる実験は、既存のOAベースラインよりも強い堅牢性と改善を示している。
  論文  参考訳（メタデータ） (2026-02-24T14:46:54Z)
• The Anti-Ouroboros Effect: Emergent Resilience in Large Language Models from Recursive Selective Feedback [0.0]
  大規模言語モデルの安定性を向上させるための選択的なフィードバック機構を導入する。 我々はこの現象をアンチ・オーロボロ効果(Anti-Ouroboros effect)と呼ぶ。 本研究は, 単純選択圧下でのLLMの創発的特性として, システムレジリエンスが有効であることが確認された。
  論文  参考訳（メタデータ） (2025-09-02T05:46:28Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• Expert-Token Resonance MoE: Bidirectional Routing with Efficiency Affinity-Driven Active Selection [19.365009652356793]
  エキスパート-トークン共鳴(ETR)は、専門家-トークン相互作用を再想像する理論的な双方向ルーティング機構である。 ETRは、ベースラインのMoE実装と比較して、エンドツーエンドのトレーニング効率が5.4%-46.6%向上している。
  論文  参考訳（メタデータ） (2024-05-24T02:50:44Z)
• Mixture of insighTful Experts (MoTE): The Synergy of Thought Chains and Expert Mixtures in Self-Alignment [103.05005690990271]
  MoTE(Mixture of insightful Experts)は、推論チェーンとエキスパートミックスを組み合わせて自己調整を改善する新しいフレームワークである。 MoTEはモデルの安全性、脱獄耐性、過剰な拒否機能を大幅に改善し、OpenAIの最先端のo1モデルに匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-05-01T15:06:05Z)
• Universal Adversarial Defense in Remote Sensing Based on Pre-trained Denoising Diffusion Models [17.283914361697818]
  深部ニューラルネットワーク(DNN)は、地球観測のための多数のAIアプリケーション(AI4EO)において重要なソリューションとして注目されている。 本稿では、リモートセンシング画像(UAD-RS)における新しいユニバーサル・ディフェンス・アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-31T17:21:23Z)
• Scenario Aware Speech Recognition: Advancements for Apollo Fearless Steps & CHiME-4 Corpora [70.46867541361982]
  本稿では、TRILLと呼ばれる三重項損失に基づく自己監督基準で訓練された一般的な非意味的音声表現について考察する。 我々は、Fearless Stepsの開発と評価のために、+5.42%と+3.18%の相対的なWER改善を観察した。
  論文  参考訳（メタデータ） (2021-09-23T00:43:32Z)

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。