論文の概要: DiaWhisper-DPO: Role-Attributed Transcription of Clinical Interviews via Failure-Mined Preference Optimization
- arxiv url: http://arxiv.org/abs/2609.16661v1
- Date: Tue, 15 Sep 2026 05:32:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.355115
- Title: DiaWhisper-DPO: Role-Attributed Transcription of Clinical Interviews via Failure-Mined Preference Optimization
- Title（参考訳）: DiaWhisper-DPO:Failure-Mined Preference Optimizationによる臨床面接の転写
- Abstract要約: カスケードシステムは話者ダイアリゼーションと役割割り当てを組み合わせるため、エラーはステージを越えて伝播する。
そこで我々はDiaWhisperというエンド・ツー・エンド・エンド・モデルを提案し、LoRAとフレームレベルの補助的なロールヘッドを付加した細粒度Whisper-large-v3を実現する。
29回のDAIC-WOZテストセッションでは、DiaWhisper-DPO 0.973の精度と0.119 DERが最強のカスケードベースラインより72%低く、種数が=.205から.002に減少する。
- 参考スコア（独自算出の注目度）: 6.329932257779467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated depression screening from clinical interviews requires attribution of utterances to the clinician or patient. We evaluate two datasets: DAIC-WOZ, where participant-only recordings require re-synthesizing both sides for controlled two-party evaluation, and PDCH-HAMD, comprising voice-converted real Chinese interviews for cross-lingual validation. Cascaded systems combine speaker diarization with role-assignment heuristics, so errors can propagate across stages. We propose an end-to-end model, which we named DiaWhisper, that fine-tunes Whisper-large-v3 with LoRA and an auxiliary frame-level role head for transcription and attribution, together with DiaWhisper-DPO, a failure-mined refinement that uses genuine decoding failures as DPO rejected completions without human preference annotation. On 29 DAIC-WOZ test sessions, DiaWhisper-DPO achieves 0.973 role accuracy and 0.119 DER, 72% below the strongest cascaded baseline, and reduces seed variation from σ = .205 to .002. Retrained on PDCH-HAMD, it achieves 0.757 role accuracy and improves all 78 session-seed pairs.
- Abstract（参考訳）: 臨床面接からの自動うつ病スクリーニングは、臨床医や患者への発話の帰属を必要とする。
DAIC-WOZとPDCH-HAMDの2つのデータセットを比較検討した。
カスケードシステムでは、話者ダイアリゼーションとロール割り当てヒューリスティックを組み合わせることで、エラーがステージを越えて伝播する。
そこで我々はDiaWhisperと名づけたエンド・ツー・エンド・エンド・モデルを提案する。このモデルでは、細粒度Whisper-large-v3とLoRAと、転写と帰属のための補助フレームレベルのロールヘッドと、DiaWhisper-DPOとともに、DPOが人間の好みのアノテーションを使わずに完了を拒否する真に復号された障害を利用したリファインメントである。
29回のDAIC-WOZテストセッションでは、DiaWhisper-DPOは0.973のロール精度と0.119のDERを達成し、最強のカスケードベースラインより72%低く、σ = .205 から .002 まで種の変化を減らす。
PDCH-HAMDで再訓練され、0.757ロールの精度を達成し、78個のセッションシードペアを改良する。
関連論文リスト
- Label-Free Parkinson's Disease Screening from Face and Voice through Mechanistic Interpretability [4.241413288920499]
パーキンソン病(英: Parkinson's disease、PD)は、神経変性疾患の2番目に多い疾患である。
そこで本研究では,凍結事前学習エンコーダをベースとした無ラベル顔+音声PDスクリーンを提案する。
合成劣化型CAA検出器は、合成疾患方向と実際の疾患方向のコサイン類似度が0を超えると機能することを示す。
論文 参考訳（メタデータ） (2026-08-10T00:43:57Z) - Depression Detection at the Point of Care: Automated Analysis of Linguistic Signals from Routine Primary Care Encounters [13.125686189457369]
うつ病はプライマリケアでは診断されていないが、タイムリーな識別は依然として重要である。
初診時1,108例のうつ病の自動検出について検討した。
論文 参考訳（メタデータ） (2026-03-11T21:08:55Z) - VERI-DPO: Evidence-Aware Alignment for Clinical Summarization via Claim Verification and Direct Preference Optimization [12.675974555403366]
提案するVERI-DPOは,クレーム検証を用いて選好を抽出し,それを要約器に蒸留する。
MIMIC-III-Ext-VeriFact-BHC (100 ICU患者, 患者レベル分割) では, クレーム・エビデンス・ペアをサポート付き, サポートなし, アドレスなしとラベル付けするために, 検索強化検証器を訓練する。
持ちこたえの患者では、検証対象者の選好は矛盾密度によって分離され、VERI-DPOはサポートされていない請求率を10.7%から1.9%に下げる。
論文 参考訳（メタデータ） (2026-03-11T07:41:58Z) - WER is Unaware: Assessing How ASR Errors Distort Clinical Understanding in Patient Facing Dialogue [3.468314243424983]
ASR(Automatic Speech Recognition)は、臨床対話においてますます普及している。
標準評価は依然としてエラーエラー率(WER)に大きく依存している。
本稿では、WERや他の一般的な指標が転写誤りの臨床的影響と相関するかどうかを基準として検討する。
論文 参考訳（メタデータ） (2025-11-20T16:59:20Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - Robust Cross-Etiology and Speaker-Independent Dysarthric Speech Recognition [26.26414139359157]
本稿では,最近リリースされた音声アクセシビリティ・プロジェクト (SAP-1005) データセットの評価に焦点をあてて,話者非依存型音声認識システムを提案する。
本研究の主な目的は, 話者に関係なく, 変形性音声を正確に認識できる頑健な話者非依存モデルを開発することである。
第2の目的として, TORGOデータセット上で評価することで, モデルのクロスエクソロジー性能をテストすることを目的とする。
論文 参考訳（メタデータ） (2025-01-25T00:02:58Z) - Automatically measuring speech fluency in people with aphasia: first
achievements using read-speech data [55.84746218227712]
本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
論文 参考訳（メタデータ） (2023-08-09T07:51:40Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Exploring linguistic feature and model combination for speech
recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。
専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。
本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文 参考訳（メタデータ） (2022-06-28T05:09:01Z) - On-the-Fly Feature Based Rapid Speaker Adaptation for Dysarthric and
Elderly Speech Recognition [53.17176024917725]
話者レベルのデータの共有化は、データ集約型モデルに基づく話者適応手法の実用的利用を制限する。
本稿では,2種類のデータ効率,特徴量に基づくオンザフライ話者適応手法を提案する。
論文 参考訳（メタデータ） (2022-03-28T09:12:24Z) - NUVA: A Naming Utterance Verifier for Aphasia Treatment [49.114436579008476]
失語症(PWA)患者の治療介入に対する反応の診断とモニタリングの両立のための画像命名タスクを用いた音声性能評価
本稿では,失語症脳卒中患者の「正しい」と「正しくない」を分類する深層学習要素を組み込んだ発話検証システムであるNUVAについて述べる。
イギリス系英語8ヶ国語でのテストでは、システムの性能精度は83.6%から93.6%の範囲であり、10倍のクロスバリデーション平均は89.5%であった。
論文 参考訳（メタデータ） (2021-02-10T13:00:29Z)
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。