論文の概要: Parallel Time-Band Mixing with Learned Observation-Adding for Robust ASR Front-Ends
- arxiv url: http://arxiv.org/abs/2608.30326v1
- Date: Mon, 31 Aug 2026 06:43:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.262343
- Title: Parallel Time-Band Mixing with Learned Observation-Adding for Robust ASR Front-Ends
- Title（参考訳）: ロバストASRフロントエンドの学習観察による並列時間帯混合
- Abstract要約: 並列時間帯ミキサー(PTBM)ブロック上に構築したシーケンス並列帯域分割拡張フロントエンドを提案する。
PTBMは、バンド内時間混合とフレーム単位のクロスバンドアテンションを統一並列アーキテクチャに統合する。
凍結したWhisperバックエンドを用いたDNSチャレンジとCHiME-4の実験は、提案するフロントエンドが繰り返し発生する帯域分割ベースラインと比較して単語エラー率を一貫して減少させることを示している。
- 参考スコア（独自算出の注目度）: 12.128662055654127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Speech enhancement is often used as a front-end for robust ASR, yet recurrent temporal and cross-band modules introduce sequential dependencies that reduce parallel efficiency. In this paper, we present a sequence-parallel band-split enhancement front-end built on a Parallel Time-Band Mixer (PTBM) block that eliminates within-block recurrent unrolling. PTBM integrates intra-band temporal mixing and per-frame cross-band attention within a unified parallel architecture, enabling efficient contextual modeling across both time and frequency dimensions. The system retains the mask-plus-residual reconstruction interface and introduces learned Observation-Adding (LOA) to suppress ASR-sensitive artifacts without development-set tuning. Experiments on DNS Challenge and CHiME-4 with frozen Whisper back-ends show that the proposed front-end consistently reduces word error rate relative to recurrent band-split baselines while requiring only 0.96 M parameters and 0.58 GMAC/s for the front-end network.
- Abstract（参考訳）: 音声強調は、しばしばロバストなASRのフロントエンドとして使用されるが、繰り返し発生する時間的およびバンド的モジュールは、並列効率を低下させるシーケンシャルな依存関係を導入している。
本稿では,Parallel Time-Band Mixer(PTBM)ブロック上に構築されたシーケンス並列帯域分割拡張フロントエンドについて述べる。
PTBMは、バンド内時間混合とフレーム単位のクロスバンドアテンションを統一並列アーキテクチャに統合し、時間と周波数の双方で効率的なコンテキストモデリングを可能にする。
このシステムはマスク+残差再構成インタフェースを保持しており、学習された観察・アディング(LOA)を導入し、開発セットのチューニングなしでASRに敏感なアーティファクトを抑える。
DNSチャレンジとCHiME-4を凍結したWhisperバックエンドで行った実験によると、提案されたフロントエンドは、連続する帯域分割ベースラインに対して単語エラー率を一貫して低減し、フロントエンドネットワークでは0.96Mパラメータと0.58GMAC/sしか必要としない。
関連論文リスト
- S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。
RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
論文 参考訳（メタデータ） (2026-08-18T08:05:00Z) - TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution [52.96050253456634]
TRaM-VSRは、コンテキスト対応のビデオプリエントとネットワークレベルを用いた適応トークンアロケーションのためのフレームワークである。
その結果、TRaM-VSRは、最先端の復元品質と頑健な時間的整合性を維持しつつ、推論を著しく加速することがわかった。
論文 参考訳（メタデータ） (2026-07-24T11:57:26Z) - FAST: A Framework for Aligned Sampling and Training in Parallel Reinforcement Learning for Autonomous Driving [27.76982216294607]
クローズドループシミュレーションに適した同期並列フレームワークであるFASTを提案する。
FAST は、ベクトル化同期を維持するために Dynamic Parallel Sampling Alignment (DPSA) を使用している。
FASTは、シングルクリップベースライン上で少なくとも1.78倍のウォールクロックスピードアップを達成する。
論文 参考訳（メタデータ） (2026-06-19T16:44:18Z) - SHARP: Sleep-based Hierarchical Accelerated Replay for Long Range Non-Stationary Temporal Pattern Recognition [7.555597360852762]
SHARP(Sleep-based Hierarchical Accelerated Replay)は、時間学習を2つの補完的なコンポーネントに分解するフレームワークである。
SHARPは、緩やかな睡眠中に、げっ歯類で観察される加速されたリプレイにインスパイアされ、時間的に構造化されたメモリトレースをアクセラレーションされた形で再生するオフライン(スリープ)フェーズを組み込む。
論文 参考訳（メタデータ） (2026-05-30T13:55:02Z) - Latent Recurrent Transformer: Architecture Exploration, Training Strategies, and Scaling Behavior [107.2098567818173]
Latent Recurrent Transformer (LRT) は自己回帰変換器の軽量化である。
LRTは、次のトークンのリカレントメモリとして、前のトークンから高レベルなソース層隠れステートを再利用する。
論文 参考訳（メタデータ） (2026-05-26T10:10:26Z) - Streaming Reinforcement Learning under Partial Observability with Real-Time Recurrent Learning [22.705756039708035]
ストリーミング強化学習は、データを漸進的に処理する自然言語学習エージェントの制約に適合するオンライン学習パラダイムとして登場した。
本稿では,パラメータカウントにおける線形時間とメモリの複雑さの正確なRTRLを実現するために,対角的リカレントアーキテクチャを提案する。
我々は,リプレイバッファやバッチ更新を使わずに,マスクした MuJoCo 上でのバッチ処理性能のかなりの部分の回復を示す。
論文 参考訳（メタデータ） (2026-05-23T19:25:30Z) - Prefix-Adaptive Block Diffusion for Efficient Document Recognition [52.15352911463151]
ブロック拡散モデル(BDM)は並列生成、フレキシブルな出力、KVキャッシュをサポートし、効率的な文書解析を約束する。
本稿では,前置詞から接尾辞への因果表記に代えて,ブロック内双方向化を代替するPrefix-Block Diffusion Model (PA-BDM)を提案する。
実験の結果、3B PA-BDMはいくつかのベンチマークで高い認識スコアを達成し、2.5B MinerU-Diffusionに対して推論スループットを71.6%向上した。
論文 参考訳（メタデータ） (2026-05-16T07:50:13Z) - Wireless Federated Multi-Task LLM Fine-Tuning via Sparse-and-Orthogonal LoRA [61.12136997430116]
低ランク適応(LoRA)に基づく分散連合学習(DFL)により、マルチタスクデータセットを持つモバイルデバイスは、ローカルに更新されたパラメータを、無線接続を介して近隣デバイスのサブセットと交換することで、大きな言語モデル(LLM)を協調的に微調整することができる。
不均一データセットに微調整されたパラメータを直接集約すると、DFLライフサイクルの3つの主要な問題が発生する: (i) 微調整プロセス中に忘れる破滅的な知識、(ii) データの異種性に起因する更新方向の矛盾に起因する。
論文 参考訳（メタデータ） (2026-02-24T02:45:32Z) - PAS: A Training-Free Stabilizer for Temporal Encoding in Video LLMs [57.790910044227935]
ビデオLLMは時間的不整合に悩まされ、フレームタイミングの小さなシフトは注意をそらすことができ、関連するフレームを抑えることができる。
本稿では, 位相アグリゲード平滑化(PAS)について述べる。これは, 頭部に小さな反対位相オフセットを適用して, 出力を集約する学習自由機構である。
解析の結果,RoPE回転ロジットは,時間核でスケールしたコンテントドット積として近似でき,このカーネルを滑らかにすることで,小さな時間シフトに対する注意のリプシッツ安定性が得られ,マルチフェーズ平均化は,Nyquist-valid サンプリング下での頭当たりスペクトルを保ちながら高周波リップルを減衰させることがわかった。
論文 参考訳（メタデータ） (2025-11-14T05:56:47Z) - A Practical Gated Recurrent Transformer Network Incorporating Multiple Fusions for Video Denoising [1.5044085747326295]
State-of-the-art(SOTA)ビデオ復調法では,複数フレーム同時復調機構を採用している。
本稿では,単一フレーム遅延のみでSOTA性能を実現するマルチフュージョンゲート・リカレント・トランスフォーマネットワーク(GRTN)を提案する。
論文 参考訳（メタデータ） (2024-09-10T15:55:53Z) - Alignment-free Raw Video Demoireing [18.06907326360215]
ビデオの削除は、スクリーンコンテンツのキャプチャ中に発生する望ましくない干渉パターンを取り除くことを目的としている。
本稿では,周波数アシスト型時間的マンバ(DemMamba)を用いたアライメントフリー生ビデオ復調ネットワークを提案する。
PSNRでは、最先端の手法を1.6dB超え、良好な視覚体験を提供する。
論文 参考訳（メタデータ） (2024-08-20T09:31:03Z) - Temporally Consistent Referring Video Object Segmentation with Hybrid Memory [98.80249255577304]
本稿では,参照セグメンテーションとともに時間的一貫性を明示的にモデル化する,エンドツーエンドなR-VOSパラダイムを提案する。
自動生成された高品質の参照マスクを有するフレームの特徴は、残りのフレームをセグメント化するために伝播される。
大規模な実験により,本手法は時間的整合性を著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-03-28T13:32:49Z)
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。