論文の概要: Phonological Perception of Sign Language Models

• arxiv url: http://arxiv.org/abs/2606.28667v1
• Date: Sat, 27 Jun 2026 01:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.63642
• Title: Phonological Perception of Sign Language Models
• Title（参考訳）: 手話モデルの音韻論的知覚
• Abstract要約: この研究は、アメリカ手話(ASL)で訓練された手話認識モデルの音韻的知覚を評価する。 以上の結果から,SLRモデルは発声感を呈するが,設計上のトレードオフは明らかであることがわかった。 これらの結果は,SLRモデルが創発的な音韻論を呈する一方で,現在の訓練パラダイムは,それらのアーキテクチャ的帰納バイアスを超えてそれらを拡張するには不十分であることを示唆している。
• 参考スコア（独自算出の注目度）: 5.368069729147575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sign languages are compositional systems where meaning arises by combining sublexical phonological parameters, such as handshape, location, and movement. While deep learning models for Sign Language Recognition (SLR) have achieved increased performance on translation benchmarks, it remains unclear whether these models distinguish abstract phonological features or merely rely on low-level statistical correlations. This work evaluates the phonological perception of SLR models trained on American Sign Language (ASL) by probing phonological sensitivity using minimal pairs and evaluating representational alignment with human behavioral data. Our results reveal that SLR models exhibit emergent phonological sensitivity, but with clear architectural trade-offs: pose-based models are sensitive to handshape contrasts, while pixel-based models better capture location changes. Furthermore, pose-based models learn latent representations that correlate with human perceptual similarity judgments (r~0.49). These findings suggest that while SLR models exhibit emergent phonology, current training paradigms are insufficient to scale them beyond their architectural inductive biases.
• Abstract（参考訳）: 手話は、手形、位置、動きなどの語彙的な音韻論的パラメータを組み合わせることで意味が生じる構成体系である。 符号言語認識(SLR)の深層学習モデルは、翻訳ベンチマークの性能向上を図っているが、これらのモデルが抽象音韻学的特徴を区別するか、あるいは単に低レベルの統計的相関に依存するのかは定かではない。 本研究は, アメリカ手話(ASL)で訓練されたSLRモデルの音韻知覚を, 最小対を用いて音韻感度を推定し, 人間の行動データとの表現的アライメントを評価することによって評価する。 ポーズベースモデルは手形コントラストに敏感であり,ピクセルベースモデルは位置変化をよりよく捉えている。 さらに、ポーズベースのモデルは、人間の知覚的類似性判断(r~0.49)と相関する潜在表現を学ぶ。 これらの結果は,SLRモデルが創発的な音韻論を呈する一方で,現在の訓練パラダイムは,それらのアーキテクチャ的帰納バイアスを超えてそれらを拡張するには不十分であることを示唆している。

関連論文リスト

• On the Fallacy of Global Token Perplexity in Spoken Language Model Evaluation [88.77441715819366]
  大規模生音声で事前訓練された生成音声言語モデルは、適切な内容で音声プロンプトを継続することができる。 本稿では,グローバルトークンの難易度に代えて,多種多様な可能性・生成的評価手法を提案する。
  論文  参考訳（メタデータ） (2026-01-09T22:01:56Z)
• Training Strategies for Isolated Sign Language Recognition [72.27323884094953]
  本稿では,孤立手話認識のための包括的モデル学習パイプラインを提案する。 構築されたパイプラインには、慎重に選択された画像とビデオの拡張が含まれており、低いデータ品質とさまざまなサインスピードの課題に対処している。
  論文  参考訳（メタデータ） (2024-12-16T08:37:58Z)
• Investigating the Timescales of Language Processing with EEG and Language Models [0.0]
  本研究では,事前学習した言語モデルと脳波データからの単語表現のアライメントを検討することで,言語処理の時間的ダイナミクスについて検討する。 テンポラル・レスポンス・ファンクション(TRF)モデルを用いて、神経活動が異なる層にまたがるモデル表現とどのように対応するかを検討する。 分析の結果,異なる層からのTRFのパターンが明らかとなり,語彙的および構成的処理への様々な貢献が明らかになった。
  論文  参考訳（メタデータ） (2024-06-28T12:49:27Z)
• PhonologyBench: Evaluating Phonological Skills of Large Language Models [57.80997670335227]
  音声学は、音声の構造と発音規則の研究であり、Large Language Model (LLM) 研究において批判的であるが、しばしば見落とされがちな要素である。 LLMの音韻的スキルを明示的にテストするための3つの診断タスクからなる新しいベンチマークであるPhonologyBenchを提案する。 我々は,Rhyme Word GenerationとSyllable countingにおいて,人間と比較した場合,それぞれ17%と45%の有意なギャップを観察した。
  論文  参考訳（メタデータ） (2024-04-03T04:53:14Z)
• Self-Supervised Models of Speech Infer Universal Articulatory Kinematics [44.27187669492598]
  SSLモデルの基本特性として「調音キネマティクスの推論」を示す。 また、この抽象化は、モデルをトレーニングするために使用されるデータの言語に大きく重なり合っていることも示しています。 簡単なアフィン変換では、アコースティック・トゥ・アコースティック・トゥ・アーティキュレーション・インバージョン(AAI)は、性別、言語、方言でさえ話者間で変換可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-16T19:50:01Z)
• Mapping EEG Signals to Visual Stimuli: A Deep Learning Approach to Match vs. Mismatch Classification [28.186129896907694]
  ビデオクリップが脳波信号の興奮応答を誘導するかどうかを分類する「マッチ-vs-mismatch」深層学習モデルを提案する。 提案手法は, 未知の被写体に対して最も精度の高いモデルを実現することができることを示す。 これらの結果は、ニューラル記録に基づくビデオ再構成の開発を促進する可能性がある。
  論文  参考訳（メタデータ） (2023-09-08T06:37:25Z)
• Improving Sign Recognition with Phonology [8.27285154257448]
  我々は、アメリカ手話音声学の研究から得られた知見を用いて、手話認識のためのモデルを訓練する。 我々は、サインだけでなく、その音韻特性を予測するために、シングルサインを生成するシグナーのポーズ推定を行うISLRモデルを訓練する。 これらの補助予測は、WLASLベンチマークの符号認識精度を9%近く向上させる。
  論文  参考訳（メタデータ） (2023-02-11T18:51:23Z)
• Perceptual Grouping in Contrastive Vision-Language Models [59.1542019031645]
  画像内の物体の位置を視覚言語モデルで理解し,画像の視覚的関連部分をグループ化する方法について述べる。 本稿では,意味情報と空間情報の両方を一意に学習するモデルとして,最小限の修正を提案する。
  論文  参考訳（メタデータ） (2022-10-18T17:01:35Z)
• Self-supervised models of audio effectively explain human cortical responses to speech [71.57870452667369]
  我々は、自己教師型音声表現学習の進歩に乗じて、人間の聴覚システムの最先端モデルを作成する。 これらの結果から,ヒト大脳皮質における音声処理の異なる段階に関連する情報の階層構造を,自己教師型モデルで効果的に把握できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-27T22:04:02Z)
• The Grammar-Learning Trajectories of Neural Language Models [42.32479280480742]
  ニューラルネットワークモデルは,データ上での終末性能が異なるにもかかわらず,同じ順序で言語現象を取得することを示す。 以上の結果から,NLMは一貫した発達段階を示すことが示唆された。
  論文  参考訳（メタデータ） (2021-09-13T16:17:23Z)
• Discrete representations in neural models of spoken language [56.29049879393466]
  音声言語の弱教師付きモデルの文脈における4つの一般的なメトリクスの利点を比較した。 異なる評価指標が矛盾する結果をもたらすことが分かりました。
  論文  参考訳（メタデータ） (2021-05-12T11:02:02Z)

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。