論文の概要: Separating Decision-Rule Misalignment from Readout-Coverage Limitations in Speech Language Models

• arxiv url: http://arxiv.org/abs/2608.06409v1
• Date: Mon, 03 Aug 2026 17:34:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.240104
• Title: Separating Decision-Rule Misalignment from Readout-Coverage Limitations in Speech Language Models
• Title（参考訳）: 音声モデルにおける読み出し時間制限からの判断ルールの分離
• Abstract要約: 出力された応答,オプションロジット,それらのロジットのアフィン読み出し,および同じ応答トークンにおける隠蔽状態の線形読み出しを比較する。 状態復号は平均27.8の精度で生成され、判定ルールと読み出しカバーギャップは10条件すべてで正である。
• 参考スコア（独自算出の注目度）: 0.3142999832608949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech language models are increasingly evaluated on paralinguistic tasks by the accuracy of prompted answers, but answer accuracy combines failures at different stages of the audio-to-answer computation. We introduce a generation-aligned diagnostic ladder that compares the emitted answer, the option logits, an affine readout of those logits, and a linear readout of the hidden state at the same answer token. Successive differences separate endpoint, decision-rule, and readout-coverage gaps. Across five systems and two emotion corpora, state decoding exceeds generation by 27.8 accuracy points on average, and both the decision-rule and readout-coverage gaps are positive in all ten conditions. A label-free logit correction improves generated accuracy in every condition, showing that part of the decision-rule gap is actionable. In rank-matched comparisons, emotion information outside the native readout generalizes to held-out speakers and survives controls for measured acoustic descriptors, but replacing the selected readout-external directions usually has little effect on emitted answers. These results distinguish information availability from behavioral use and localize performance losses across the decision rule and the state-to-answer readout.
• Abstract（参考訳）: 音声言語モデルは、回答の精度によってパラ言語的タスクでますます評価されるが、答えの精度は、音声-問合せ計算の異なる段階での失敗を組み合わせている。 出力された応答,オプションロジット,それらのロジットのアフィン読み出し,および同じ応答トークンにおける隠蔽状態の線形読み出しを比較する。 連続的な違いはエンドポイント、決定ルール、読み出しカバレッジギャップを分離する。 5つのシステムと2つの感情コーパスにまたがって、状態復号化は平均27.8の精度で発生し、決定ルールと読み出しカバーギャップは10条件すべてで正である。 ラベルなしロジット補正は、各条件における生成精度を改善し、決定ルールギャップの一部が動作可能であることを示す。 ランクマッチング比較では、ネイティブ読み出し以外の感情情報は保留話者に一般化され、測定された音響記述子に対する制御を継続するが、選択された読み出し方向と外部方向の置き換えは通常、出力された回答にほとんど影響しない。 これらの結果は、情報の可用性と行動利用とを区別し、決定ルールと問合せの読み出しにおける性能損失をローカライズする。

関連論文リスト

• Not All Speech Is Intent: Adaptive Self-Correcting Inference Layer for Post-ASR False Wake-Up [2.497926557563177]
  会話型AIでは、偽の起動アクティベーションは依然として永続的な課題である。 フィードバック駆動型適応型自己修正型推論層(ASCIL)について紹介する。 ASCILは、音響埋め込み、言語的手がかり、デバイスコンテキスト、過去の誤分類からのパターンを融合させることで、応答生成前の覚醒意図を再評価する。
  論文  参考訳（メタデータ） (2026-09-11T06:06:06Z)
• A VLM Answer Is Not an Anomaly Score: Rank Compression in Training-Free Video Anomaly Detection [2.3296196518120915]
  VLMベースの検出器は、応答インターフェースを定義する必要がある。 回答尺度は許容可能な回答を指定し、読み出しルールはモデルの出力分布をスコアにマッピングする。 4つの7-8B VLMにわたって、確率読み出しは、テストされた解答尺度、ベンチマーク、メトリックの組み合わせごとに生成された読み出しよりも優れる。
  論文  参考訳（メタデータ） (2026-08-21T15:56:00Z)
• Decomposing Reasoning Efficiency in Large Language Models [2.4149105714758545]
  我々はトークン効率を、固定されたトークン予算の下での完了、与えられた完了条件の正確性、冗長性といった、解釈可能な要因に分解する。 推論トレースが利用可能であれば、冗長だが拡張された推論からループを分離するために決定論的トレース品質尺度を追加します。 我々の分解は、異なる効率の介入を示唆する異なるボトルネックプロファイルを明らかにします。
  論文  参考訳（メタデータ） (2026-02-10T14:09:18Z)
• Confidence-Aware Neural Decoding of Overt Speech from EEG: Toward Robust Brain-Computer Interfaces [3.5174884177930448]
  脳波から音声コマンドをデコードする非侵襲的な脳-コンピュータインターフェースは、正確かつ信頼できるものである必要がある。 本稿では,コンパクトで音声指向の畳み込みネットワークの深いアンサンブルと,ポストホックキャリブレーションと選択的分類を結合した信頼性を考慮した復号化フレームワークを提案する。 その結果,信頼性を意識したニューラルデコーディングは,実世界の脳-コンピュータインタフェース通信システムに対して,堅牢でデプロイメント指向の動作を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-11T06:40:35Z)
• Context Biasing for Pronunciations-Orthography Mismatch in Automatic Speech Recognition [61.601626186678146]
  本稿では,置換誤りの訂正を可能とし,難解な単語の認識精度を向上させる手法を提案する。 本手法により, 単語誤り率の相対的な改善を最大8%まで達成し, 単語誤り率の競争力を維持した。
  論文  参考訳（メタデータ） (2025-06-23T14:42:03Z)
• End-to-End Page-Level Assessment of Handwritten Text Recognition [69.55992406968495]
  HTRシステムは、文書のエンドツーエンドのページレベルの書き起こしに直面している。 標準メトリクスは、現れる可能性のある不整合を考慮していない。 本稿では、転写精度とROの良さを別々に検討する2つの評価法を提案する。
  論文  参考訳（メタデータ） (2023-01-14T15:43:07Z)
• Controllable speech synthesis by learning discrete phoneme-level prosodic representations [53.926969174260705]
  直感的な離散ラベルを用いたF0と持続時間に対する音素レベル韻律制御のための新しい手法を提案する。 複数話者音声データセットから音素レベルF0と持続時間の特徴を識別するために用いられる教師なし韻律クラスタリングプロセスを提案する。
  論文  参考訳（メタデータ） (2022-11-29T15:43:36Z)
• Benchmarking Evaluation Metrics for Code-Switching Automatic Speech Recognition [19.763431520942028]
  本研究では,人間の判断によるコードスイッチング音声認識仮説のベンチマークデータセットを開発する。 自動仮説の最小化のための明確なガイドラインを定義する。 我々は、アラビア語/英語の方言音声におけるコードスイッチング音声認識結果の人間受容のための最初のコーパスをリリースする。
  論文  参考訳（メタデータ） (2022-11-22T08:14:07Z)
• Improving End-to-End Contextual Speech Recognition with Fine-grained Contextual Knowledge Selection [21.116123328330467]
  本研究は,微粒な文脈知識選択(FineCoS)による混乱問題の緩和に焦点をあてる。 まず,句候補の範囲を狭めるために句選択を適用し,選択した句候補のトークンにトークンの注意を向ける。 我々は、より焦点を絞ったフレーズレベルの文脈表現を得るために、最も関連性の高いフレーズの注意重みを再正規化する。
  論文  参考訳（メタデータ） (2022-01-30T13:08:16Z)
• Speaker Embedding-aware Neural Diarization for Flexible Number of Speakers with Textual Information [55.75018546938499]
  本稿では,話者埋め込み認識型ニューラルダイアリゼーション(SEND)手法を提案する。 本手法は,ターゲット話者の音声活動検出よりも低いダイアリゼーション誤差率を実現する。
  論文  参考訳（メタデータ） (2021-11-28T12:51:04Z)
• Consensus-Guided Correspondence Denoising [67.35345850146393]
  本稿では,地域間コンセンサス学習フレームワークと対応関係を異色化し,対応関係をロバストに識別する。 ローカル地域からグローバル地域への動的グラフから推定されるコンセンサススコアに基づいて,信頼度の高い候補を初期マッチングから蒸留する新しい「プルーニング」ブロックを導入した。 本手法は、堅牢なラインフィッティング、ワイドベースライン画像マッチング、画像ローカリゼーションベンチマークを顕著なマージンで上回る。
  論文  参考訳（メタデータ） (2021-01-03T09:10:00Z)
• Evaluating the reliability of acoustic speech embeddings [10.5754802112615]
  音声埋め込みは可変長音声列の定サイズ音響表現である。 ここでは,ABX識別と平均精度 (MAP) という2つの一般的な指標を,17の埋め込み手法にまたがる5つの言語で体系的に比較する。 ABXとMAPは相互に相関し,周波数推定を行う。
  論文  参考訳（メタデータ） (2020-07-27T13:24:09Z)
• Pseudo-Convolutional Policy Gradient for Sequence-to-Sequence Lip-Reading [96.48553941812366]
  唇読解は唇運動系列から音声内容を推測することを目的としている。 seq2seqモデルの伝統的な学習プロセスには2つの問題がある。 本稿では,これら2つの問題に対処するために,PCPGに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-09T09:12:26Z)

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。