論文の概要: Interpreting hierarchical organisation of speaker embeddings

• arxiv url: http://arxiv.org/abs/2609.15203v1
• Date: Mon, 14 Sep 2026 08:25:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.185553
• Title: Interpreting hierarchical organisation of speaker embeddings
• Title（参考訳）: 話者埋め込みの階層構造を解釈する
• Abstract要約: 話者認識ニューラルネットワークは、入力発話から潜在表現(すなわち話者埋め込み)を学び、話者のアイデンティティを認識する。 既存の研究では、話者埋め込みがどのように組織化されているか分析されているが、これらの分析をXAI内で行うことは滅多にない。 この研究は、XAIの観点から話者埋め込みの組織を説明し、解釈することを提案する。
• 参考スコア（独自算出の注目度）: 21.594428525994285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speaker recognition neural networks learn latent representations (i.e. speaker embeddings) from input utterances to recognise speaker identities. However, the internal mechanisms of these networks remain largely opaque, motivating research in explainable artificial intelligence (XAI) to understand them. Nevertheless, existing studies have analysed how speaker embeddings are organised, but rarely frame these analyses within XAI. Hence, this work proposes to explain and interpret the organisation of speaker embeddings from an XAI perspective. To this end, we apply a hierarchical clustering algorithm, Single-Linkage Clustering (SLINK), to analyse whether some speaker embeddings naturally form clusters with hierarchical relationships. The resulting hierarchical organisation (i.e. hierarchical clusters) is evaluated using the Cluster-Class Matching (CCM) method. Moreover, we propose a new method, termed Hierarchical Cluster-Class Matching (HCCM), to identify which hierarchical clusters best match individual semantic classes (e.g. male) and conjunctive semantic classes (e.g. UK & male), thereby interpreting the clusters using their matched classes. The matching degree is quantified using a new metric called the L-score, which makes imperfect matches diagnosable. HCCM's results show that hierarchical clusters analysed by SLINK are interpreted using different classes related to speaker identity, gender, and nationality, providing insight into semantics within the hierarchical organisation of our examined speaker embeddings.
• Abstract（参考訳）: 話者認識ニューラルネットワークは、入力発話から潜在表現(すなわち話者埋め込み)を学び、話者のアイデンティティを認識する。 しかし、これらのネットワークの内部メカニズムはほとんど不透明であり、説明可能な人工知能(XAI)の研究の動機となっている。 しかしながら、既存の研究では、話者の埋め込みがどのように組織化されているかを分析しているが、これらの分析をXAI内で行うことは滅多にない。 そこで本研究では,XAIの観点から話者埋め込みの組織を説明し,解釈することを提案する。 この目的のために、階層的クラスタリングアルゴリズム(SLINK)を適用し、ある話者埋め込みが階層的関係を持つクラスタを自然に形成するかどうかを解析する。 結果として得られた階層的組織(階層的クラスタ)は、クラスタクラスマッチング(CCM)手法を用いて評価される。 さらに,階層型クラスタクラスマッチング(HCCM)と呼ばれる新しい手法を提案し,階層型クラスタが個々のセマンティッククラス(例えば男性)と結合型セマンティッククラス(例えば英国と男性)に最もよく適合するかを同定し,マッチングされたクラスを用いてクラスタを解釈する。 一致度はLスコアと呼ばれる新しい計量を用いて定量化され、不完全一致を診断できる。 HCCMの結果,SLINKによって分析された階層的クラスタは,話者のアイデンティティ,性別,国籍に関する異なるクラスを用いて解釈され,話者埋め込みの階層的組織内における意味論の洞察が得られた。

関連論文リスト

• Multilingual Multi-Speaker Unit Vocoders: A Systematic Analysis of Discrete Speech Representations [0.0]
  自己教師型埋め込みのk平均クラスタリングによって得られる離散音声単位は、音声、話者、言語情報を絡み合わせる。 インドの4言語にわたるBigVGANベースの単位ボコーダを解析する。
  論文  参考訳（メタデータ） (2026-06-04T21:54:56Z)
• Explainable AI in Speaker Recognition -- Making Latent Representations Understandable [21.594428525994285]
  本稿では,ネットワーク表現における未知の組織パターンを明らかにするという,XAIのトピックを研究することを提案する。 これは、表現が独立ではなく階層的な関係を持つクラスタを形成する方法を分析するために、2つのアルゴリズムを適用する。 新しい計量であるリービッグのスコアは、マッチング性能を最も強く制限する因子を診断するために提案されている。
  論文  参考訳（メタデータ） (2026-04-25T15:44:20Z)
• Explaining, Verifying, and Aligning Semantic Hierarchies in Vision-Language Model Embeddings [10.299190830046872]
  本稿では,VLMによって誘発されるセマンティック階層を,特定の子クラスに対して説明し,検証し,調整するためのポストホックフレームワークを提案する。 我々は,効率的な木認識とエッジレベルの整合性尺度を用いて,抽出した木と人間の検索を比較して妥当性を定量化し,説明可能な階層木トラバース推定による有用性を評価する。
  論文  参考訳（メタデータ） (2026-03-26T00:38:38Z)
• A Semantics-Aware Hierarchical Self-Supervised Approach to Classification of Remote Sensing Images [12.282079123411947]
  本稿では,階層的特徴と関係を学習するためのセマンティックス・アウェア・ヒエラルキー・コンセンサス(SAHC)手法を提案する。 SAHC法は、階層的な複雑さの異なる3つのベンチマークデータセットで評価される。 実験により,ネットワーク学習の指導における提案手法の有効性と,リモートセンシング画像分類タスクにおける階層的コンセンサスの有効性が示された。
  論文  参考訳（メタデータ） (2025-10-06T15:30:39Z)
• Hierarchical Representation Matching for CLIP-based Class-Incremental Learning [80.2317078787969]
  クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、進化するデータストリームに継続的に適応可能なモデルを提供することを目的とする。 事前訓練された視覚言語モデル(例えばCLIP)の最近の進歩は、このタスクの強力な基盤を提供する。 本稿では,CLIPベースのCILのためのHiErarchical Representation MAtchiNg(HERMAN)を紹介する。
  論文  参考訳（メタデータ） (2025-09-26T17:59:51Z)
• Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
  本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。 既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。 グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T10:42:19Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
  本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
  論文  参考訳（メタデータ） (2022-06-02T19:05:13Z)
• Unsupervised Learning of Hierarchical Conversation Structure [50.29889385593043]
  ゴール指向の会話は、しばしば意味のあるサブ対話構造を持つが、ドメインに依存しやすい。 この研究は、ターンやサブダイアログのセグメントラベルを含む階層的な会話構造を学習するための教師なしのアプローチを導入する。 復号化構造は3つの会話レベル理解タスクのための言語ニューラルネットワークの強化に有用であることが示されている。
  論文  参考訳（メタデータ） (2022-05-24T17:52:34Z)
• Bi-LSTM Scoring Based Similarity Measurement with Agglomerative Hierarchical Clustering (AHC) for Speaker Diarization [0.0]
  2つの話者間の典型的な会話は、声が重なり合う部分からなり、互いに中断したり、複数の文間での会話を止めたりする。 ダイアリゼーション技術の最近の進歩は、話者ダイアリゼーションシステムを即興化するニューラルネットワークベースのアプローチを活用している。 類似度行列に存在する要素を推定するための双方向長短期記憶ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-05-19T17:20:51Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)

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。