論文の概要: REIMU: Efficient Heterogeneous Hierarchical Reasoning for SSL-Based Speech Deepfake Detection

• arxiv url: http://arxiv.org/abs/2608.00857v1
• Date: Sat, 01 Aug 2026 20:32:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.963226
• Title: REIMU: Efficient Heterogeneous Hierarchical Reasoning for SSL-Based Speech Deepfake Detection
• Title（参考訳）: REIMU:SSLに基づく音声ディープフェイク検出のための高効率不均一階層推論
• Abstract要約: 自己教師付き学習(SSL)は、かなり高度な音声深度検出を備えている。 本研究は、この課題に対する繰り返し階層的推論の実践的効果について検討する。
• 参考スコア（独自算出の注目度）: 6.6933354669653236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing realism of speech generated by text-to-speech and voice conversion systems poses growing challenges to media integrity and voice authentication. Self-supervised learning (SSL) has substantially advanced speech deepfake detection, where downstream backbones conventionally process SSL representations through a single forward pass. This work investigates the practical effectiveness of recurrent hierarchical reasoning for this task. We term this controlled study REIMU and systematically compare conventional single-pass backbones, weight-shared recurrence, homogeneous HRM, and heterogeneous HRM across four Base-scale SSL frontends. We further examine heterogeneous high- and low-level modules that combine self-attention with linear attention. Experiments on the ASVspoof 2019 and 2021 evaluation sets show that recurrence and hierarchical decomposition do not inherently improve detection, whereas heterogeneous operator assignment provides a more competitive configuration. Notably, the heterogeneous design remains competitive while using 10.8\% fewer downstream parameters than the matched baseline, demonstrating its potential for parameter-efficient speech deepfake detection.
• Abstract（参考訳）: テキスト音声変換システムと音声変換システムによって生成される音声のリアリズムの増大は、メディアの完全性と音声認証に対する課題の増大を招いている。 自己教師付き学習(SSL)は、下流のバックボーンが通常、1つのフォワードパスを通してSSL表現を処理するような、かなり高度な音声深度検出を持つ。 本研究は、この課題に対する繰り返し階層的推論の実践的有効性について検討する。 この制御された研究をREIMUと呼び、4つのベーススケールSSLフロントエンドで従来のシングルパスバックボーン、重み付き再発、同種HRM、異種HRMを体系的に比較した。 さらに、自己注意と線形注意を組み合わせた異種高次・低次モジュールについて検討する。 ASVspoof 2019と2021の評価セットの実験では、繰り返しと階層的な分解は検出を本質的に改善しないが、異種演算子の割り当てはより競争力のある構成を提供する。 特に、不均一な設計は、一致したベースラインよりも10.8倍少ない下流パラメータを使用しながら競争力があり、パラメータ効率の高い音声ディープフェイク検出の可能性を示している。

関連論文リスト

• CRAF: Cross-View Residual-Aware Fusion for Deepfake Speech Detection [5.977697197923706]
  音声および音声モデルは、このような目に見えない攻撃に対する堅牢性を改善するための有望な方向を提供する。 本稿では,クロスビュー残像認識融合フレームワークCRAFを提案する。 我々は,Kim-Audio を用いた CRAF が EER の5.96%,minDCF の0.1192 を達成することを示す。
  論文  参考訳（メタデータ） (2026-09-12T09:56:45Z)
• Mitigating Speaker Leakage in Cascaded Multi-talker ASR with Diarization-based Transcript Correction [0.8749675983608171]
  マルチトーカーASR (MT-ASR) の性能は、分離時に話者の漏れによって制限されることが多い。 本稿では, 漏洩物を確実に識別し, 除去する相補的プルーニングに基づくパラダイムを提案する。 LibriMix, LibriSpeechMix, AMI Meeting corpus の結果から, 多様な重なり合う条件において, アルゴリズムが常に cpW ER を減少させることが示された。
  論文  参考訳（メタデータ） (2026-08-23T03:21:45Z)
• Trajectory Dynamics in Self-Supervised Learning Latent Space for Audio Deepfake Detection [0.0]
  我々は、ボナファイド音声のみに基づいて、因果LSTM次フレーム予測器を訓練する。 システムは6つのベンチマークで競合や最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-08-13T23:06:34Z)
• ReHear: Iterative Pseudo-Label Refinement for Semi-Supervised Speech Recognition via Audio Large Language Models [12.527207210862151]
  ReHearは、自動音声認識における反復的な擬似ラベル改善のためのフレームワークである。 命令調整されたオーディオ対応の大規模言語モデルを自己学習ループに統合する。 ReHearはエラーの伝播を効果的に軽減し、教師付きベースラインと疑似ラベルベースラインの両方を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-21T05:04:22Z)
• Two Heads Are Better Than One: Audio-Visual Speech Error Correction with Dual Hypotheses [71.34350093068473]
  本稿では,音声視覚音声認識(AVSR)における生成誤り訂正(GER)フレームワークの新たなパラダイムを提案する。 我々のフレームワークであるDualHypは、独立した自動音声認識(ASR)モデルと視覚音声認識(VSR)モデルから独立したN-best仮説を構成するために、大規模言語モデル(LLM)を強制する。 我々のフレームワークは、標準のASRベースラインよりもLRS2ベンチマークで57.7%のエラー率を獲得していますが、シングルストリームのGERアプローチでは10%のゲインしか達成できません。
  論文  参考訳（メタデータ） (2025-10-15T08:27:16Z)
• MARS-Sep: Multimodal-Aligned Reinforced Sound Separation [72.85468563236005]
  MARS-Sepは音分離のための強化学習フレームワークである。 クリッピングされた信頼領域サロゲートによって最適化された、ファクタライズされたベータマスクポリシを学ぶ。 複数のベンチマークの実験は、テキスト、オーディオ、イメージ-キュード分離において一貫した利得を示している。
  論文  参考訳（メタデータ） (2025-10-12T09:05:28Z)
• Self-supervised ASR Models and Features For Dysarthric and Elderly Speech Recognition [71.87998918300806]
  本稿では,TDNNとConformer ASRシステムにSSLプリトレーニングモデルとその機能を統合するアプローチについて検討する。 ドメイン適応型HuBERT、wav2vec2-conformer、マルチ言語型XLSRモデルを統合することで構築されたTDNNシステムは、スタンドアロンの微調整型SSL事前訓練モデルより一貫して優れている。 DementiaBank Pitt の高齢者音声認識出力を用いて,アルツハイマー病の検出精度の向上も行った。
  論文  参考訳（メタデータ） (2024-07-03T08:33:39Z)
• Retrieval-Augmented Audio Deepfake Detection [27.13059118273849]
  そこで本研究では,類似のサンプルを用いて検体を増強する検索拡張検出フレームワークを提案する。 提案したRADフレームワークのベースライン法よりも優れた性能を示す実験を行った。
  論文  参考訳（メタデータ） (2024-04-22T05:46:40Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Exploring the Integration of Speech Separation and Recognition with Self-Supervised Learning Representation [83.36685075570232]
  本研究は,ASRフロントエンドとしての残響・雑音・残響シナリオにおける音声分離に関する洞察に富んだ研究である。 我々は,マルチチャネル分離法,マスクベースのビームフォーミング,複雑なスペクトルマッピング,およびASRバックエンドモデルで使用する最良の特徴について検討する。 TF-GridNetベースの複素スペクトルマッピングとWavLMベースのSSLRを併用することで、残響WHAMRテストセットにおいて2.5%のワードエラー率が得られる。
  論文  参考訳（メタデータ） (2023-07-23T05:39:39Z)
• Discretization and Re-synthesis: an alternative method to solve the Cocktail Party Problem [65.25725367771075]
  この研究は、初めて合成に基づくアプローチがこの問題にうまく対応できることを示した。 具体的には,離散シンボルの認識に基づく音声分離/強調モデルを提案する。 離散シンボルの入力による合成モデルを利用することで、離散シンボル列の予測後、各ターゲット音声を再合成することができる。
  論文  参考訳（メタデータ） (2021-12-17T08:35:40Z)

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。