論文の概要: A Parameter-Free Few-Shot Evaluation for Elephant Vocalisation Classification

• arxiv url: http://arxiv.org/abs/2608.14824v1
• Date: Fri, 14 Aug 2026 18:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.095488
• Title: A Parameter-Free Few-Shot Evaluation for Elephant Vocalisation Classification
• Title（参考訳）: Elephant Vocalization 分類のためのパラメータフリーFew-Shot の評価
• Abstract要約: 定位音響埋込みによるゾウ発声における最寄りセントロイド分類のパラメータフリー評価 定位音響埋込みによるゾウの発声に対する最寄りセントロイド分類のパラメータフリー評価法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a parameter-free episodic evaluation of nearest-centroid classification for elephant vocalisations on fixed pretrained acoustic embeddings, across the Elephant Voices (EV) and Linguistic Data Consortium (LDC) datasets. Rather than asking which embedding yields the best classifier when trained on all available labelled data, we ask how the simplest classifier performs as labelled exemplars per class are varied. Each class is represented by the mean of its support-set embeddings, and each query is assigned to the nearest centroid under squared Euclidean distance. We evaluate this centroid classifier on the Perch (ver. 1), Perch (ver. 2), and HuBERT (base, layer 2) embeddings, together with mel frequency cepstral coefficient (MFCC) features, in an N-way k-shot manner under the same cross-validation protocol as the trained baselines. A bootstrap over 100 resampled support sets quantifies the sampling noise. On the smaller, low-resource EV dataset, the centroid classifier using the stronger Perch (ver. 1) and Perch (ver. 2) embeddings overtakes the fully-trained logistic regression classifier from a single exemplar per class and the stronger recurrent classifier from two. Over the reduced set of call types on which the strongly-supervised end-to-end baseline was trained, the centroid classifier matches and then surpasses that baseline in mean average precision (mAP), from a few exemplars per class. On the larger LDC dataset, where labelled exemplars are abundant, the trained baselines retain their advantage at every k considered. At five exemplars per class, the centroid classifier using the strongest embedding, Perch (ver. 2), attains a mAP of 0.542 on the EV dataset and 0.368 on the LDC dataset. Parameter-free nearest-centroid classification is the stronger choice when labelled exemplars are few and the fixed embedding already encodes the features that separate the call types.
• Abstract（参考訳）: 本稿では,Elephant Voices (EV) およびLinguistic Data Consortium (LDC) データセットを横断する定性事前学習音響埋め込みにおけるゾウの発声に対する最寄りセントロイド分類のパラメータフリー・エピソード評価について述べる。 利用可能なラベル付きデータに対して、どの埋め込みが最良の分類器を訓練するかを問うのではなく、最も単純な分類器がクラスごとにラベル付き例によってどのように機能するかを問う。 各クラスはサポートセットの埋め込みの平均で表現され、各クエリは2乗ユークリッド距離の下で最も近いセントロイドに割り当てられる。 Perch (ver. 1), Perch (ver.2), HuBERT (base, layer) 上のこのセントロイド分類器を評価する。 2) メル周波数ケプストラム係数 (MFCC) とともに, トレーニングベースラインと同じクロスバリデーションプロトコルの下でNウェイkショット方式で埋め込みを行った。 100以上の再サンプリングされたサポートセットはサンプリングノイズを定量化する。 小型で低リソースのEVデータセットでは,より強力なPerch(ver。 1)およびPerch (ver。 2) 組込みは, クラスごとの1つの例と, より強い2つの例から, 完全に訓練されたロジスティック回帰分類器を克服する。 強く監督されたエンドツーエンドのベースラインがトレーニングされたコールタイプを減らして、Centroid分類器は一致し、平均平均精度(mAP)でそのベースラインを超える。 ラベル付き外見が豊富であるより大きなLCCデータセットでは、トレーニングされたベースラインは、考慮されたkごとにその利点を保っている。 クラス毎の5つの例において、最強の埋め込みであるPerch (ver.2)を用いたセントロイド分類器は、EVデータセットで0.542mAP、LCDデータセットで0.368mAPに達する。 パラメータなしのNest-centroid分類は、ラベル付き例がほとんどなく、固定埋め込みがコールタイプを分離する機能をすでにエンコードしている場合、より強力な選択である。

関連論文リスト

• Ensemble of classifiers for speech evaluation [0.0]
  本稿では,医学における音声評価の問題を解決するために,バイナリ分類器のアンサンブルを適用しようとする試みについて述べる。 音節の発音品質の定量的および専門的な評価に基づいてデータセットを作成した。
  論文  参考訳（メタデータ） (2024-12-29T17:28:32Z)
• Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
  遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。 予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。 提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-06-20T18:35:47Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• The Fixed Sub-Center: A Better Way to Capture Data Complexity [1.583842747998493]
  我々は、F-SC(Fixed Sub-Center)を用いて、より離散的なサブセンターを構築することを提案する。 実験の結果,F-SCは画像分類と微粒化処理の精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2022-03-24T08:21:28Z)
• A Topological Data Analysis Based Classifier [1.6668132748773563]
  本稿では,多クラス分類問題に直接トポロジカルデータ解析を適用するアルゴリズムを提案する。 提案アルゴリズムは,データセット上にフィルタされた単純複合体を構築する。 提案手法は平均してKNNと重み付きKNNよりも優れていた。
  論文  参考訳（メタデータ） (2021-11-09T15:54:16Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Does Adversarial Oversampling Help us? [10.210871872870737]
  本稿では,データセットのクラス不均衡を処理するために,3人のプレイヤーによるゲームベースのエンドツーエンド手法を提案する。 本稿では,敵対的マイノリティ・オーバーサンプリングではなく,敵対的オーバーサンプリング (AO) とデータ空間・オーバーサンプリング (DO) のアプローチを提案する。 提案手法の有効性を高次元・高不均衡・大規模マルチクラスデータセットを用いて検証した。
  論文  参考訳（メタデータ） (2021-08-20T05:43:17Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
  長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。 本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。 本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2021-05-22T18:07:56Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
  そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。 ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
  論文  参考訳（メタデータ） (2020-10-28T14:37:25Z)

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。