論文の概要: Not All Fallbacks Are Failures: Understanding and Recovering from Fallbacks in Mobile Voice Assistants

• arxiv url: http://arxiv.org/abs/2608.30738v1
• Date: Mon, 31 Aug 2026 13:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.39999
• Title: Not All Fallbacks Are Failures: Understanding and Recovering from Fallbacks in Mobile Voice Assistants
• Title（参考訳）: すべてのフォールバックは失敗ではない:モバイル音声アシスタントのフォールバックの理解と回復
• Abstract要約: 日常環境における一般的な健康支援のためのスマートウォッチベースの音声アシスタントのフォールバックハンドリングについて検討した。 私たちの分析は,500人以上のユーザの実世界利用データに基づいて,匿名化された3,030件のデータセットを作成した。
• 参考スコア（独自算出の注目度）: 50.58363289248172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust understanding of user input is a core requirement for voice assistants deployed in real-world environments. In practice, these systems encounter heterogeneous fallback situations caused by noisy audio input, transcription errors, ambiguous requests, incomplete utterances, or unintended activations. Existing systems typically respond with generic fallback messages, which do not resolve the underlying interaction failure and can degrade user experience. We study fallback handling in a deployed smartwatch-based voice assistant for general health support in everyday environments. Our analysis is based on six months of real-world usage data from more than 500 users, yielding a dataset of 3,030 anonymized, naturally occurring fallback-triggering utterances. We contribute (1) an operational taxonomy and the annotated VoxFallbacks dataset of these interactions, (2) a comparative evaluation of different models within a classification pipeline under practical deployment constraints, and (3) practical lessons for designing robust and cost-efficient fallback mechanisms. Results show that lightweight embedding-based classifiers outperform larger generative models on most classification tasks while requiring substantially fewer computational resources.
• Abstract（参考訳）: ユーザ入力のロバストな理解は、実環境にデプロイされる音声アシスタントのコア要件である。 実際には、ノイズの多い音声入力、書き起こしエラー、あいまいな要求、不完全発声、意図しないアクティベーションによって、これらのシステムが不均一なフォールバック状態に遭遇する。 既存のシステムは一般的に一般的なフォールバックメッセージで応答するが、これは基礎となるインタラクションの失敗を解決せず、ユーザエクスペリエンスを劣化させる可能性がある。 日常環境における一般的な健康支援のためのスマートウォッチベースの音声アシスタントのフォールバックハンドリングについて検討した。 私たちの分析は,500人以上のユーザの実世界利用データに基づいて,匿名化された3,030件のデータセットを作成した。 我々は,(1)運用分類学と,(2)これらの相互作用の注釈付きVoxFallbacksデータセット,(2)実践的な展開制約下での分類パイプライン内の異なるモデルの比較評価,(3)堅牢で費用効率のよいフォールバック機構を設計するための実践的な教訓を提供する。 その結果、軽量な埋め込み型分類器は、計算資源を著しく少なくしながら、ほとんどの分類タスクにおいてより大きな生成モデルより優れていることが示された。

関連論文リスト

• Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
  エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。 本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
  論文  参考訳（メタデータ） (2026-05-06T10:03:06Z)
• SpeechParaling-Bench: A Comprehensive Benchmark for Paralinguistic-Aware Speech Generation [46.48800527703154]
  SpeechParaling-Benchは、パラ言語対応音声生成のための総合的なベンチマークである。 既存のカバレッジを50未満から100以上のきめ細かい機能に拡張する。 微粒化制御、発声内変動、文脈認識適応の3つの課題に分けられる。
  論文  参考訳（メタデータ） (2026-04-22T17:59:58Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Multi-agent Auditory Scene Analysis [0.0]
  聴覚シーン分析(ASA)は、音源の位置、分離、分類の3つの主要なタスクを実行することで、音環境から情報を取得することを目的としている。 これらのタスクを実行すると、全体のレスポンス時間がリニアに増加し、最後のタスクは最初のタスク(ロケーション)のエラーに非常に敏感になる。 タスクを並列に実行し、各タスク間のフィードバックループでローカルエラーを補うためのマルチエージェントアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-03T16:16:46Z)
• Towards Robust Few-shot Class Incremental Learning in Audio Classification using Contrastive Representation [1.3586572110652484]
  少数のクラスインクリメンタルな学習は、限られた受信データから生じる課題に対処する。 我々は、表現空間を洗練させ、識別力を高め、より良い一般化をもたらすための教師付きコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2024-07-27T14:16:25Z)
• The Art of Saying No: Contextual Noncompliance in Language Models [123.383993700586]
  本稿では,ユーザの要求に従わないモデルについて,コンテキスト非準拠の包括的分類を導入する。 我々の分類は、不完全、不完全、不完全、不決定、人為的要求を含む幅広いカテゴリーにまたがる。 言語モデルの非準拠性をテストするために,1000個の非準拠プロンプトの新たな評価スイートを開発するために,この分類法を用いる。
  論文  参考訳（メタデータ） (2024-07-02T07:12:51Z)
• Boosting keyword spotting through on-device learnable user speech characteristics [16.632185274553485]
  常時オンのTinyML制約されたアプリケーションのキーワードスポッティングシステムは、オンサイトチューニングを必要とする。 ターゲットユーザの音声特異性に適応するには、多くのドメイン内サンプルが必要であり、多くの場合、現実のシナリオでは利用できない。 本稿では,事前学習されたバックボーンとユーザの音声特性を学習するユーザ認識を組み込んだ,デバイス上での新たな学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-12T16:41:31Z)
• RLVF: Learning from Verbal Feedback without Overgeneralization [94.19501420241188]
  本稿では,このような過度な一般化を伴わずに,言語フィードバックを取り入れることの課題について検討する。 制約付き選好最適化(C3PO)を用いた新しい文脈的批評手法を開発した。 提案手法は,他の文脈に対する既存行動を維持しながら,関連するシナリオに対して効果的な言語フィードバックを適用する。
  論文  参考訳（メタデータ） (2024-02-16T18:50:24Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)

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。