論文の概要: Open-Set Source Tracing as Compositional Factors via Structured Prototypes

• arxiv url: http://arxiv.org/abs/2607.03134v1
• Date: Fri, 03 Jul 2026 09:23:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.529927
• Title: Open-Set Source Tracing as Compositional Factors via Structured Prototypes
• Title（参考訳）: 構造化プロトタイプによる構成因子としてのオープンセットソーストレース
• Abstract要約: 現在の研究はしばしば、その生成的アーキテクチャと"ソース"を同一視している。 生成した音声に影響を及ぼすアーキテクチャ、トレーニングデータ、その他の学習要因の合成として、ソースを再定義することを提案する。 このアプローチは、部分的に見られるソースのパフォーマンスを改善し、完全にオープンなシナリオで堅牢性を維持する。
• 参考スコア（独自算出の注目度）: 7.66732820915854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent research expands beyond binary anti-spoofing with the emergence of Source Tracing, the task of identifying the specific generative origins of synthetic speech. However, current research often equates a "source" with its generative architecture. We propose redefining a source as a compositional tuple of Architecture, Training Data, and other training factors affecting the generated speech. We propose a framework using Structured Orthonormal Prototypes to minimize class overlap and intra-class variance. Our Subspace Partitioning strategy splits the embedding into architecture and data subspaces, while a residual subspace captures stochastic variability, enabling "compositional generalization" for novel factor combinations. This approach improves performance for partially seen sources and maintains robustness in fully open-set scenarios. MLAAD evaluations for Few-Shot open-set Identification show our approach significantly outperforms angular-margin baselines.
• Abstract（参考訳）: 最近の研究は、合成音声の特定の生成源を特定するタスクであるソーストラクションの出現とともに、バイナリアンチスプーフィングを超えて拡大している。 しかしながら、現在の研究はしばしば、その生成的アーキテクチャと"ソース"を同一視している。 生成した音声に影響を及ぼす建築、訓練データ、その他の訓練要素の合成タプルとしてソースを再定義することを提案する。 本稿では,クラスオーバーラップとクラス内分散を最小限に抑えるために,構造化オルソノーマルプロトタイプを用いたフレームワークを提案する。 我々の部分空間分割戦略は、埋め込みをアーキテクチャとデータサブスペースに分割する一方、残余部分空間は確率的変動を捉え、新しい因子の組み合わせの「構成的一般化」を可能にする。 このアプローチは、部分的に見られるソースのパフォーマンスを改善し、完全にオープンなシナリオで堅牢性を維持する。 Few-Shot Open-set Identification に対する MLAAD 評価は,本手法が角マージンベースラインを著しく上回っていることを示す。

関連論文リスト

• Discrete Diffusion Models: A Unified Framework from Tokenization to Generation [66.16696467962375]
  この研究は、基礎となる離散状態空間の構築を通じて離散拡散モデルを見る統一的な概念的枠組みを導入する。 このフレームワーク内では、遷移行列、マスキング/吸収状態、スコア/比例に基づくアプローチを含む既存の定式化が、共通のデザイン空間の異なるインスタンス化として現れる。
  論文  参考訳（メタデータ） (2026-07-15T04:23:22Z)
• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Neural Architecture Distributions: A New Paradigm for Stochastic Segmentation [8.128553138697024]
  セグメンテーションは 一つの画像に対して 複数の可視マスクを 表現しようとしてる 既存のほとんどのメソッドは、連続的な潜伏変数を注入するか、または反復的な軌道案内によって導入する。 セグメンテーションのための新しいソースとしてアーキテクチャ分布を提案する。
  論文  参考訳（メタデータ） (2026-06-19T03:14:00Z)
• Learning Sequential Decisions from Multiple Sources via Group-Robust Markov Decision Processes [9.088701245020479]
  本稿では,オフライン多地点データセットから堅牢な逐次意思決定ポリシーを学習することを目的とする。 クロスサイト不確実性をモデル化するために, 群線形構造を持つ分散ロバストなMDPについて検討した。 我々は,キークロスサイト構造を維持しつつ,トラクタブルなベルマン再帰を保ちながら特徴的(d-矩形)不確実性集合を導入する。
  論文  参考訳（メタデータ） (2026-02-02T08:58:55Z)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• A Bayesian methodology for localising acoustic emission sources in complex structures [0.0]
  損傷源の局所化への音響放射の獲得は、構造的健康モニタリングにおける一般的なアプローチとして現れている。 最近の進歩にもかかわらず、非自明な幾何学的特徴を含む複合材料や構造内の損傷を見つけるタスクはまだ重要な課題です。 本稿では,これらの複雑さに頑健なベイズ的ソースローカライゼーション戦略について述べる。
  論文  参考訳（メタデータ） (2020-12-21T00:19:56Z)
• Robust Group Subspace Recovery: A New Approach for Multi-Modality Data Fusion [18.202825916298437]
  本稿では,グループ間隔に基づく新しいマルチモーダルデータ融合手法を提案する。 提案手法は、異なるモダリティデータ間の構造的依存関係を利用して、関連する対象オブジェクトをクラスタ化する。 得られたUoS構造を用いて、新たに観測されたデータポイントを分類し、提案手法の抽象化能力を強調する。
  論文  参考訳（メタデータ） (2020-06-18T16:31:31Z)
• Hierarchical regularization networks for sparsification based learning on noisy datasets [0.0]
  階層は、連続的により微細なスケールで特定される近似空間から従う。 各スケールでのモデル一般化を促進するため,複数次元にわたる新規な射影型ペナルティ演算子も導入する。 その結果、合成データセットと実データセットの両方において、データ削減およびモデリング戦略としてのアプローチの性能が示された。
  論文  参考訳（メタデータ） (2020-06-09T18:32:24Z)
• Invariant Integration in Deep Convolutional Feature Space [77.99182201815763]
  より深いニューラルネットワークアーキテクチャに事前知識を原則的に組み込む方法を示す。 本稿では,Rotated-MNISTデータセットの最先端性能について報告する。
  論文  参考訳（メタデータ） (2020-04-20T09:45:43Z)

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。