論文の概要: CAL-MOS: Bridging Layers with Adapters for Robust MOS Prediction Across Speech Foundation Models

• arxiv url: http://arxiv.org/abs/2609.14956v1
• Date: Mon, 14 Sep 2026 03:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.037423
• Title: CAL-MOS: Bridging Layers with Adapters for Robust MOS Prediction Across Speech Foundation Models
• Title（参考訳）: CAL-MOS:音声基礎モデル全体でのロバストなMOS予測のためのアダプタ付きブリッジ層
• Abstract要約: 音声品質評価(SQA)の予測に音声基礎モデル(SFM)を用いる 我々は、フル微調整、凍結エンコーダによる最終層探索、ナイーブ層重み付けアグリゲーションの3つの条件下で、MOSデータセットの10個のSFMをベンチマークした。 最高のレイヤはバックボーンとデータセットに依存しており、単純で重み付けされた融合は設定全体にわたって不安定である。
• 参考スコア（独自算出の注目度）: 33.28824460542012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech Quality Assessment (SQA) is essential for modern speech technologies, and recent non-intrusive SQA predictors increasingly rely on Speech Foundation Models (SFMs). However, because SFMs expose representations from many layers, it remains unclear which depths are most informative for MOS prediction and how multi-layer information should be combined reliably across backbones and datasets. We benchmark ten SFMs on four MOS datasets under three regimes: full fine-tuning, last-layer probing with a frozen encoder, and naive cross-layer weighted aggregation. We find that the best layer is strongly backbone- and dataset-dependent, and that naive weighted fusion can be unstable across settings. We further evaluate a layer-calibrated aggregation variant that applies per-layer adapters before pooling, which improves the robustness of multi-layer fusion and narrows the gap to full fine-tuning while keeping the backbone frozen.
• Abstract（参考訳）: 音声品質評価(SQA)は現代の音声技術にとって不可欠であり、近年の非侵襲的なSQA予測器はますます音声基礎モデル(SFM)に依存している。 しかし、SFMは多くの層からの表現を公開しているため、MOS予測においてどの深さが最も有益か、バックボーンやデータセット間で確実に多層情報を組み合わせるべきかは定かではない。 我々は、フル微調整、凍結エンコーダによる最終層探索、ナイーブ層重み付けアグリゲーションの3つの条件下で、MOSデータセットの10個のSFMをベンチマークした。 最高のレイヤはバックボーンとデータセットに依存しており、単純で重み付けされた融合は設定全体にわたって不安定である。 さらに,複数層融合の堅牢性を向上し,バックボーンの凍結を保ちつつ,そのギャップをフル微調整に限定する,層間アグリゲーションバリアントをプール前に適用した層間アグリゲーションバリアントの評価を行った。

関連論文リスト

• AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
  我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。 このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。 5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-06-28T11:36:31Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Last-Layer-Centric Feature Recombination: Unleashing 3D Geometric Knowledge in DINOv3 for Monocular Depth Estimation [4.654162664140336]
  近年の視覚基礎モデル (VFM) は, 高精度化と高密度予測の一般化を実現している。 本研究では,DINOv3の階層構造解析を行い,非一様に3次元情報を分散していることを明らかにする。 そこで我々は, 幾何学的表現性を高めるためにLFRモジュールを導入する。
  論文  参考訳（メタデータ） (2026-04-29T09:11:36Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• VFM-Recon: Unlocking Cross-Domain Scene-Level Neural Reconstruction with Scale-Aligned Foundation Priors [49.39553550491549]
  VFMReconは, シーンレベルの神経再構成において, スケール一貫性の要求を満たすトランスファー可能なVFMプリエントをブリッジする最初の試みである。 具体的には、まず、マルチビュースケールコヒーレンスを復元する軽量なスケールアライメントステージを導入する。 次に、トレーニング済みのVFM機能を、軽量なタスク固有アダプタを介して、ニューラルボリューム再構築パイプラインに統合する。
  論文  参考訳（メタデータ） (2026-03-13T05:00:44Z)
• Learning Robust Stereo Matching in the Wild with Selective Mixture-of-Experts [29.52183168979229]
  SMoEStereoは,Low-Rank Adaptation (LoRA) とMixture-of-Experts (MoE) モジュールの融合により,VFMをステレオマッチングに適用する新しいフレームワークである。 提案手法は,データセット固有の適応を伴わない複数のベンチマークに対して,最先端のクロスドメインと共同一般化を示す。
  論文  参考訳（メタデータ） (2025-07-07T03:19:04Z)
• DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
  我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。 弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。 我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
  論文  参考訳（メタデータ） (2024-03-14T02:11:38Z)
• Learning to Decompose: Hypothetical Question Decomposition Based on Comparable Texts [65.84370471189676]
  本研究は,分解型変圧器の大規模中間訓練について,比較テキストから遠ざかって検討する。 このような中間的事前学習により、多様なタスクのための堅牢な分解ベースモデルの開発がより実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-30T15:38:03Z)
• Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
  我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。 Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。 大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
  論文  参考訳（メタデータ） (2020-06-15T22:22:56Z)
• Multi-Person Pose Estimation with Enhanced Feature Aggregation and Selection [33.15192824888279]
  複数人物のポーズ推定のためのEFASNet(Enhanced Feature Aggregation and Selection Network)を提案する。 我々の手法は、混み合った、散らばった、ぎこちないシーンをうまく扱える。 総合的な実験により、提案手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-03-20T08:33:25Z)

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。