Fugu-MT 論文翻訳(概要): Domain-Incremental Learning for Multi-Channel Replay Speech Detection

論文の概要: Domain-Incremental Learning for Multi-Channel Replay Speech Detection

arxiv url: http://arxiv.org/abs/2609.11194v1
Date: Thu, 10 Sep 2026 08:03:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 23:53:35.247036
Title: Domain-Incremental Learning for Multi-Channel Replay Speech Detection
Title（参考訳）: マルチチャンネル再生音声検出のためのドメインインクリメンタル学習
Abstract要約: 本稿では,マルチチャンネル再生音声検出のための最初の連続学習ベンチマークを提案する。我々は,ReMASCコーパスの24個の環境順序を5つの種で評価した。シーケンスの最後の環境が最終性能を支配していることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Replay attacks are the most accessible threat to voice-controlled systems, and the acoustic cues that expose them are strongly modulated by the environment in which the attack is mounted. A detector deployed in the field therefore has to absorb new acoustic conditions over time, ideally without revisiting past recordings, since retaining speech indefinitely is both expensive and legally constrained. We frame this as Domain-Incremental Learning (DIL) over acoustic environments and present the first continual learning benchmark for multi-channel replay speech detection, evaluating a state-of-the-art beamformer-based detector over all 24 environment orderings of the ReMASC corpus with five seeds. Sequential fine-tuning forgets severely, raising the error rate on previously learned environments by 18.8 points. Elastic weight consolidation (EWC) halves forgetting but loses plasticity, gradient projection memory (GPM) is statistically indistinguishable from naive fine-tuning, and the proposed task-specific beamformer (TSB) that keeps one spatial front-end per environment significantly improves final and incremental accuracy. We further show that the last environment of the sequence dominates final performance. Code, results, and analysis are available at https://github.com/michaelneri/replay-speech-continual.
Abstract（参考訳）: リプレイ攻撃は音声制御システムにとって最もアクセスしやすい脅威であり、それらを公開する音響的手がかりは、攻撃が装着される環境によって強く調節される。したがって、フィールドに配備された検出器は、音声を無期限に保持することは高価かつ法的に制約されるため、過去の記録を再考することなく、時間とともに新しい音響条件を吸収する必要がある。我々はこれを、音響環境上でのドメインインクリメンタルラーニング(DIL)とみなし、5つのシードを持つReMASCコーパスの24個の環境オーダーに対して、最先端のビームフォーマベース検出器の評価を行い、マルチチャンネル再生音声検出のための最初の連続学習ベンチマークを示す。連続的な微調整はひどく忘れられ、学習済みの環境におけるエラー率を18.8ポイント引き上げる。弾性重み整合(EWC)ハーフは、塑性を忘れ、勾配投影メモリ(GPM)は、単純な微調整とは統計的に区別できない、そして、環境ごとに1つの空間的なフロントエンドを維持するタスク固有ビームフォーマ(TSB)は、最終的な精度と漸進的な精度を著しく向上させる。さらに、シーケンスの最後の環境が最終性能を支配していることを示す。コード、結果、分析はhttps://github.com/michaelneri/replay-speech-continualで確認できる。

関連論文リスト

MAST: Label-Efficient, Robust, and Generalizable Sound Detection for Biodiversity Monitoring via Masked Audio Pretraining and Self-Training [7.983925207958734]
動物の発声の時間周波数アノテーションは高価で、サイト固有のものであり、大規模に維持することは困難である。本稿では,マスク付きオーディオプリトレーニングと,メルスペクトログラム上の軽量検出器を組み合わせたラベル効率のよい音響検出フレームワークを提案する。熱帯雨林のサウンドスケープ(インドネシア)と地中海の生息域(スペイン)における鳥の声化という,生態学的に異なる2つの領域での性能評価を行った。
論文参考訳（メタデータ） (2026-09-14T08:41:23Z)
Adaptive Perturbation Selection for Contrastive Audio Decoding [17.576102240052503]
大規模な音声言語モデル(LALM)は、しばしば言語先行と音響的証拠をオーバーライドすることによって幻覚を与える。対照的な復号法(CD)はトレーニングなしの緩和を提供するが、既存の方法はマスキングやノイズのような鈍い摂動に依存している。対象とする音声摂動の多様なライブラリを評価し,各タスクに対して最適な負の分岐を適応的に選択することで,この設計空間を探索する。
論文参考訳（メタデータ） (2026-06-30T22:55:22Z)
BEST-RQ-2: Contextualize-Then-Predict, a Two-Step Approach for Self-Supervised Audio Representations [9.030040918514464]
BEST-RQ-2はBEST-RQの進化であり、凍結したランダムプロジェクションベースの離散ターゲットを保持しつつ、2段階の文脈化予測事前学習スキームを導入している。 ViTコンテキストエンコーダは、マスクされていないスペクトログラム領域のみを処理し、軽量な予測器はマスクされた領域のターゲットを推測する。 X-ARESとXARES-LLMのベンチマークでは、BEST-RQ-2は全体の転送において一段のベースラインを上回っている。
論文参考訳（メタデータ） (2026-06-29T09:52:43Z)
ANCHOR: Autoregressive Non-intrusive Chunk-Ordered Refinement for Joint Multi-Resolution Speech Quality Modeling [62.983372215479925]
ストリーミングと生成システムは、部分的なオーディオから漸進的な推定を必要とする。多分解能オートレタスクとしてインクリメンタルアセスメントを改良したANCHORを提案する。 2秒プレフィックスの48%のPLCMOSエラー削減を含む、部分入力下でのかなりの堅牢性を示す実験。
論文参考訳（メタデータ） (2026-06-08T22:46:30Z)
EchoPilot: Training-Free Ultrasound Video Segmentation via Scale-Space Semantic Prompting and Reliability-Gated Memory [30.279337577859597]
EchoPilotは、スパースファーストフレームインタラクション下での超音波ビデオセグメンテーションのためのトレーニング不要のフレームワークである。セマンティックローカライゼーションのためのフリーズド医療ビジョン言語モデル、密集した幾何学的特徴抽出のためのビジョン基盤モデル、マスク予測と伝搬のためのプロンプト可能なビデオセグメンタを編成する。 671フレームのダイナミック胎児胎盤超音波ビデオセグメンテーションデータセットを提案する。
論文参考訳（メタデータ） (2026-05-25T15:22:05Z)
PACE: Pretrained Audio Continual Learning [27.605574463021693]
事前学習モデル(PTM)を用いた音声連続学習(CL)のための最初の体系的ベンチマークを提案する。さらに、スペクトルに基づく境界認識摂動を導入し、表現の重なりを緩和し、安定性を向上させる。 6つの多様なオーディオCLベンチマークの実験は、PACEが最先端のベースラインを大幅に上回っていることを示している。
論文参考訳（メタデータ） (2026-02-03T10:28:35Z)
Learning Robust Spatial Representations from Binaural Audio through Feature Distillation [64.36563387033921]
データラベルを必要とせずに音声の頑健な空間表現を学習するために,特徴蒸留に基づく事前学習ステージの利用について検討する。実験により, 事前学習したモデルでは, 騒音および残響環境における性能が向上していることが示された。
論文参考訳（メタデータ） (2025-08-28T15:43:15Z)
High-Fidelity Speech Synthesis with Minimal Supervision: All Using Diffusion Models [56.00939852727501]
最小教師付き音声合成は、2種類の離散音声表現を組み合わせることでTSを分離する。非自己回帰フレームワークは、制御可能性を高め、持続拡散モデルは、多様化された韻律表現を可能にする。
論文参考訳（メタデータ） (2023-09-27T09:27:03Z)
TranSpeech: Speech-to-Speech Translation With Bilateral Perturbation [61.564874831498145]
TranSpeechは、両側摂動を伴う音声から音声への翻訳モデルである。我々は,非自己回帰S2ST手法を構築し,繰り返しマスキングを行い,単位選択を予測する。 TranSpeechは推論遅延を大幅に改善し、自動回帰技術よりも最大21.4倍のスピードアップを実現している。
論文参考訳（メタデータ） (2022-05-25T06:34:14Z)
Data Augmentation based Consistency Contrastive Pre-training for Automatic Speech Recognition [18.303072203996347]
自動音声認識(ASR)タスクにおいて、自己教師付き音響事前学習は驚くべき結果を得た。音響事前学習法の多くは、コントラスト学習を用いて音響表現を学習する。本稿では,音声事前学習のためのデータ拡張を利用して,新しいコントラスト学習法(CCL)を設計する。
論文参考訳（メタデータ） (2021-12-23T13:23:17Z)
Cross-domain Adaptation with Discrepancy Minimization for Text-independent Forensic Speaker Verification [61.54074498090374]
本研究では,複数の音響環境下で収集したCRSS-Forensicsオーディオデータセットを紹介する。我々は、VoxCelebデータを用いてCNNベースのネットワークを事前訓練し、次に、CRSS-Forensicsのクリーンな音声で高レベルのネットワーク層の一部を微調整するアプローチを示す。
論文参考訳（メタデータ） (2020-09-05T02:54:33Z)
Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。主な課題は、複雑な音響環境とリアルタイム処理の要件である。複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
論文参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。