論文の概要: Cloud-Boosted Low-Compute Multi-Channel Speech Enhancement

• arxiv url: http://arxiv.org/abs/2608.07423v1
• Date: Fri, 07 Aug 2026 17:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.573667
• Title: Cloud-Boosted Low-Compute Multi-Channel Speech Enhancement
• Title（参考訳）: クラウドブースト低速マルチチャネル音声強調
• Abstract要約: リアルタイム通信要求のあるウェアラブルデバイスでは,低レイテンシ,低スループットの音声強調が不可欠である。 より有能なサーバサイドモデルを活用することにより、エッジモデルのパフォーマンスを改善する効果的なアプローチとして、知識ブースティングが提案されている。 本稿では,(1)追加入力として遅延サーバ出力,(2)中間サーバ表現をエッジ推論に転送する階層的な機能強化,(3)協調的なマルチチャネルWienerフィルタの3つの手法を取り入れた協調フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.23553705976258
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-latency, low-compute speech enhancement is essential for wearable devices with real-time communication requirements, but strict computational constraints significantly limit on-device performance. Knowledge Boosting has been proposed as an effective approach to improve edge model performance by leveraging a more capable server-side model, but performance gains for speech enhancement have been limited. We propose a collaborative framework incorporating three techniques: (1) delayed server output as additional input, (2) layerwise feature boosting that transfers intermediate server representations to guide edge inference, and (3) collaborative multichannel Wiener filtering, which fuses weighted covariance matrices estimated from both server and edge models for improved beamforming. Experimental results demonstrate that the proposed collaborative framework significantly outperforms the edge-only baseline with minimal additional computational overhead.
• Abstract（参考訳）: 低レイテンシ、低スループットの音声強調はリアルタイム通信要求のあるウェアラブルデバイスには不可欠であるが、厳密な計算制約はデバイス上での性能を著しく制限する。 より有能なサーバサイドモデルを活用することでエッジモデル性能を向上させるための効果的な手法として知識ブースティングが提案されているが、音声強調のための性能向上は限られている。 本稿では,(1)追加入力として遅延サーバ出力,(2)中間サーバ表現をガイドエッジ推論に転送する階層的な機能強化,(3)サーバモデルとエッジモデルの両方から推定される重み付き共分散行列を融合してビームフォーミングを改善する,という3つの手法を用いた協調的なフレームワークを提案する。 実験の結果,提案手法は計算オーバーヘッドを最小限に抑えながら,エッジのみのベースラインを著しく上回ることがわかった。

関連論文リスト

• Repulsor: Accelerating Generative Modeling with a Contrastive Memory Bank [65.00301565190824]
  mnameは、外部エンコーダを必要としない、プラグアンドプレイのトレーニングフレームワークである。 mnameは400kのステップでtextbf2.40 の最先端 FID を達成し、同等のメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-09T14:39:26Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• Enhancing Communication Efficiency in FL with Adaptive Gradient Quantization and Communication Frequency Optimization [0.0]
  Federated Learning (FL)は、参加者がサーバや他のデバイスとデータを共有することなく、ディープラーニングモデルを協調的にトレーニングすることを可能にする。 FLは、デバイスとサーバ間の頻繁なモデル更新による通信オーバーヘッドが大きいため、大きなボトルネックに直面します。 重要度を低く抑えつつ,高価値度を維持しつつ,より重要度の低い特徴を減らそうとする3つの戦略を提案する。
  論文  参考訳（メタデータ） (2025-09-27T17:25:44Z)
• EffiFusion-GAN: Efficient Fusion Generative Adversarial Network for Speech Enhancement [1.144423767174855]
  本稿では,音声強調のための軽量かつ強力なモデルであるEffiFusion-GANを紹介する。 モデルはマルチスケールブロック内に深度的に分離可能な畳み込みを統合し、様々な音響特性を効率的に捉える。 EffiFusion-GANはPSSQスコアが3.45で、同じパラメータ設定で既存のモデルより優れている。
  論文  参考訳（メタデータ） (2025-08-20T08:36:43Z)
• Quantum Machine Learning for Secure Cooperative Multi-Layer Edge AI with Proportional Fairness [0.8471366736328811]
  我々は、古典的な単一デバイス推論を分散マルチデバイス設定に拡張するために、レアイベント検出のためのデュアルスレッド早期出力戦略を構築した。 連成最適化フレームワークは,通信,エネルギー,公正性制約の下での分類ユーティリティを最大化する。
  論文  参考訳（メタデータ） (2025-07-20T22:38:41Z)
• SLED: A Speculative LLM Decoding Framework for Efficient Edge Serving [7.69991252191073]
  acronymは、軽量エッジデバイスが様々なドラフトモデルを使用して、複数の候補トークンをローカルにドラフトできるフレームワークである。 単一の共有エッジサーバは、より正確なターゲットモデルを用いてトークンを検証する。 Jetson Orin Nano、Raspberry Pi 4B/5、Nvidia A100 GPUを搭載したエッジサーバを使った最初の実験は、大きなメリットを示している。
  論文  参考訳（メタデータ） (2025-06-11T04:55:54Z)
• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
  本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。 圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。 その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T08:37:22Z)
• Design and Prototyping Distributed CNN Inference Acceleration in Edge Computing [85.74517957717363]
  HALPはエッジコンピューティングにおけるエッジデバイス(ED)間のシームレスなコラボレーションを設計することで推論を加速する。 実験により、分散推論HALPはVGG-16に対して1.7倍の推論加速を達成することが示された。 分散推論HALPを用いたモデル選択は,サービスの信頼性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-11-24T19:48:30Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Communication-Computation Trade-Off in Resource-Constrained Edge Inference [5.635540684037595]
  本稿では,資源制約のあるデバイスにおけるエッジ推論の効果的な手法を提案する。 エッジコンピューティングサーバが支援するデバイスとエッジのコ推論に重点を置いている。 効果的な推論のために3段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T11:00:32Z)

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。