論文の概要: Quantifying the Uncertainty of Blindly Estimated Room Embeddings Using a Dispersion-Calibrated Score

• arxiv url: http://arxiv.org/abs/2607.01527v1
• Date: Wed, 01 Jul 2026 22:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.612733
• Title: Quantifying the Uncertainty of Blindly Estimated Room Embeddings Using a Dispersion-Calibrated Score
• Title（参考訳）: 分散校正スコアを用いたBlindly Estimated Room Embeddingの不確かさの定量化
• Abstract要約: ダウンストリームタスクを伴わない残響音声から、音声内容の変化に頑健な室内埋め込みと表現レベルの不確実性スコアを学習するフレームワークを提案する。 軽量不確実性ヘッドは、汚職による埋め込みの分散を利用しており、ランクベースの目的に最適化されている。
• 参考スコア（独自算出の注目度）: 30.938982586035625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Room embeddings derived from reverberant speech are often unreliable: speech content and recording degradation can alter the representation even when speaker, room, and source-receiver geometry remain unchanged, degrading downstream task performance. We propose a framework that learns room embeddings robust to speech-content variation and a representation-level uncertainty score from reverberant speech without downstream-task supervision. The embedding is anchored to a structured room impulse response (RIR) latent space and trained using a multi-view data structure with Kullback-Leibler (KL)-based alignment; a multi-positive contrastive term further refines robustness. A lightweight uncertainty head is calibrated using the dispersion of corruption-induced embeddings and optimized with a rank-based objective. Across waveform- and spectrogram-level corruptions, the score is consistent with representation dispersion and enables effective selective prediction while requiring only a single utterance at inference.
• Abstract（参考訳）: 残響音声から派生した室内埋め込みは、しばしば信頼できない: 音声の内容と記録劣化は、話者、部屋、およびソース・レシーバーの幾何が変化しても表現を変えることができ、下流のタスク性能を劣化させる。 ダウンストリームタスクを伴わない残響音声から、音声内容の変化に頑健な室内埋め込みと表現レベルの不確実性スコアを学習するフレームワークを提案する。 埋め込みは、構造化室インパルス応答(RIR)潜在空間に固定され、Kullback-Leibler (KL) ベースのアライメントを用いた多視点データ構造を用いて訓練される。 腐食による埋め込みの分散を利用して軽量不確実性ヘッドを校正し、ランクベース目的に最適化する。 波形と分光器レベルの汚職全体では、スコアは表現分散と一致しており、推論時に1つの発話しか必要とせず、効果的な選択的な予測を可能にする。

関連論文リスト

• Interpreting Object-Dependent Concept Brittleness in Text-to-Image Diffusion Models [105.53190946111586]
  我々はこの現象をオブジェクト依存概念の脆さと呼ぶ。 これらの障害を監査し、最小限に修正する、解釈可能性指向のフレームワークを提案する。 複数の拡散バックボーンにまたがるスタイルと属性の故障事例について,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-09-09T09:07:40Z)
• Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
  サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。 特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
  論文  参考訳（メタデータ） (2026-07-10T14:19:42Z)
• Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
  重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。 マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2026-06-01T15:58:13Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Representation-Level Counterfactual Calibration for Debiased Zero-Shot Recognition [36.36218470387896]
  私たちはこの問題を因果推論問題として再考し、次のような質問をした。 推測時にこれを答えるために、CLIPの表現空間内のオブジェクトと背景の期待値を推定し、反ファクトの埋め込みを合成する。 提案手法は,再訓練や即時設計を伴わず,文脈に敏感なベンチマークにおいて,最悪のグループと平均精度の両方を著しく改善する。
  論文  参考訳（メタデータ） (2025-10-30T13:11:23Z)
• Robust Prompt Tuning for Vision-Language Models with Mild Semantic Noise [9.536089523962486]
  本稿では弱いセマンティックノイズを積極的に組み込んだ堅牢なプロンプトチューニングフレームワークであるANPromptを提案する。 我々は、ANPromptが既存のプロンプトチューニング手法より一貫して優れていることを示す。 セマンティックノイズに対して優れたロバスト性を提供し、タスク間の一般化を改善している。
  論文  参考訳（メタデータ） (2025-08-06T17:42:30Z)
• Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
  MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。 中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。 大規模な実験ではPPADの大幅な改善が示されている。
  論文  参考訳（メタデータ） (2025-05-26T14:42:35Z)
• QR-VC: Leveraging Quantization Residuals for Linear Disentanglement in Zero-Shot Voice Conversion [10.376226860586351]
  ゼロショット音声変換(ゼロショット音声変換、Zero-shot Voice conversion)は、入力音声の話者アイデンティティを、1つの参照発話のみを使用してターゲット話者にマッチさせる技術である。 近年、K平均量子化による自己教師付き学習機能を活用し、高品質なコンテンツ表現を抽出している。 音声成分の時間的特性を利用して量子化残差を完全に活用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-25T07:14:26Z)
• Heteroscedastic Uncertainty Estimation Framework for Unsupervised Registration [32.081258147692395]
  本稿では,異種画像の不確実性推定のためのフレームワークを提案する。 教師なし登録時の不確実性の高い領域の影響を適応的に低減することができる。 提案手法は, ベースラインを常に上回り, 有意な不確実性推定を導出する。
  論文  参考訳（メタデータ） (2023-12-01T01:03:06Z)
• PL-EESR: Perceptual Loss Based END-TO-END Robust Speaker Representation Extraction [90.55375210094995]
  音声強調は、背景雑音の抑制による音声信号の知覚品質の向上を目的としている。 本稿では,頑健な話者表現抽出のためのエンドツーエンドディープラーニングフレームワークPL-EESRを提案する。
  論文  参考訳（メタデータ） (2021-10-03T07:05:29Z)
• Towards Robust Speech-to-Text Adversarial Attack [78.5097679815944]
  本稿では,DeepSpeech,Kaldi,Lingvoなど,最先端の音声テキストシステムに対する新たな逆アルゴリズムを提案する。 本手法は, 逆最適化定式化の従来の歪み条件の拡張を開発することに基づいている。 元のサンプルと反対のサンプルの分布の差を測定するこの測定値の最小化は、正統な音声記録のサブスペースに非常に近い作成信号に寄与する。
  論文  参考訳（メタデータ） (2021-03-15T01:51:41Z)

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。