論文の概要: Reading Emotions in the Token Space: Discriminative Adaptation of SpeechLLMs for Emotion Recognition

• arxiv url: http://arxiv.org/abs/2609.20081v1
• Date: Thu, 17 Sep 2026 11:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.246384
• Title: Reading Emotions in the Token Space: Discriminative Adaptation of SpeechLLMs for Emotion Recognition
• Title（参考訳）: トークン空間における読み上げ感情:感情認識のための音声LLMの識別的適応
• Abstract要約: 本稿では,最終プロンプトトークンの隠蔽状態を読み取る識別適応法を提案する。 分析の結果,これらの感情方向はWebスケールテキストのバイアスを反映する間接的関連をコードしていることがわかった。
• 参考スコア（独自算出の注目度）: 13.575808615550839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SpeechLLMs have shown strong potential for emotion recognition, yet they read the predicted emotion off a generative decoder not suited for classification: it can emit labels outside the target set and favors frequent classes. We propose a discriminative adaptation that reads the final prompt token's hidden state through a classification head, producing a label in one forward pass without modifying the backbone. Because this readout starts from the hidden state the model would otherwise decode, it gives a controlled comparison of generative and discriminative inference in an otherwise identical speechLLM. We keep the head a single linear layer, trading little accuracy for interpretability: each emotion becomes one direction in the LLM output token space, revealing associated tokens. On IEMOCAP, across two speechLLM architectures, it improves Macro F1 and removes hallucinations, with largest gains on realistic ASR transcripts. Our analysis reveals that these emotion directions encode indirect associations mirroring biases in web-scale text.
• Abstract（参考訳）: 音声LLMは感情認識の強い可能性を示しているが、彼らは分類に適さない生成的デコーダから予測された感情を読み取る。 本稿では,最終プロンプトトークンの隠蔽状態を読み取る識別適応法を提案する。 この読み出しは、モデルがデコードする隠された状態から始まるため、他の方法では同一の音声LLMにおける生成的および識別的推論の制御された比較を与える。 それぞれの感情はLLM出力トークン空間の1つの方向となり、関連するトークンが明らかになる。 IEMOCAPでは、2つの言語LLMアーキテクチャでマクロF1を改善し、幻覚を取り除く。 分析の結果,これらの感情方向はWebスケールテキストのバイアスを反映する間接的関連をコードしていることがわかった。

関連論文リスト

• EXPL-FR: Explaining Face Recognition Models via Vision-Language Alignment [16.296464057419517]
  軽量のアダプタは、視覚言語モデル(VLM)イメージエンコーダと凍ったFR空間をアライメントし、顔画像だけで訓練され、テキスト上は決して訓練されない。 ラベルなし検出可能性尺度は、FR空間における各概念の分離可能性とVLM空間を比較し、最も検出可能な100個のモデルの意味シグネチャを比較する。 我々は、4つのFRバックボーンと2つのVLMエンコーダをカバーし、EXPL-FRはアーキテクチャアクセスを必要としない。
  論文  参考訳（メタデータ） (2026-08-21T12:16:35Z)
• Acoustic Cue Alignment in Audio Language Models for Speech Emotion Recognition [58.25449304752214]
  生音声が既に利用可能である場合に、明示的な音響的手がかりが根拠となるかどうかを考察する。 標準化されたeGeMAPSパラ言語特徴集合から6つの解釈可能な音響概念トークンを導出する。 調整されたトークンは平均リコール(UAR)を改善するが、シャッフル、競合、破損したトークンはパフォーマンスを低下させる。 トークンのみの介入は、ALMに基づく感情計算において、オーディオグラウンドドキューの使用、堅牢性、解釈可能性を調べるための実用的な方法である、と我々は主張する。
  論文  参考訳（メタデータ） (2026-06-05T14:26:06Z)
• VoxEmo: Benchmarking Speech Emotion Recognition with Speech LLMs [54.75016325571445]
  音声大言語モデル (LLM) は, 音声の感情認識において, 生成インタフェースを介する大きな可能性を示す。 クローズドセットからオープンテキスト生成へのシフトは、ゼロショット性を導入し、プロンプトに非常に敏感な評価を与える。 本稿では,VoxEmoについて紹介する。VoxEmoは音声LLMのための15言語に35の感情コーパスを含む総合的なSERベンチマークである。
  論文  参考訳（メタデータ） (2026-03-09T21:10:34Z)
• ADEPT: RL-Aligned Agentic Decoding of Emotion via Evidence Probing Tools -- From Consensus Learning to Ambiguity-Driven Emotion Reasoning [67.22219034602514]
  ADEPT(Agentic Decoding of Emotion via Evidence Probing Tools)は,感情認識をマルチターン探索プロセスとして再構成するフレームワークである。 ADEPTはSLLMを進化する候補感情を維持するエージェントに変換し、専用のセマンティックおよび音響探査ツールを適応的に呼び出す。 ADEPTは、ほとんどの設定において主感情の精度を向上し、微妙な感情の特徴を著しく改善することを示した。
  論文  参考訳（メタデータ） (2026-02-13T08:33:37Z)
• Emotion-Disentangled Embedding Alignment for Noise-Robust and Cross-Corpus Speech Emotion Recognition [7.243987016933212]
  本稿では,音声感情認識モデルの堅牢性向上と一般化のための2段階のアプローチを提案する。 課題条件下での性能向上は,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2025-10-10T07:17:07Z)
• Plug-and-Play Emotion Graphs for Compositional Prompting in Zero-Shot Speech Emotion Recognition [3.1649536621597973]
  大規模音声言語モデル(LALM)は、音声タスク全体で強いゼロショット性能を示すが、音声感情認識(SER)に苦慮している。 そこで我々は,感情推論におけるLALMを微調整なしでガイドするための,感情推論のためのCCoT-Emo(Compositional Chain-of-Thought Prompting for Emotion Reasoning)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T20:06:03Z)
• Textless Speech Emotion Conversion using Decomposed and Discrete Representations [49.55101900501656]
  我々は、音声を、コンテンツ単位、F0、話者、感情からなる離散的、非絡み合いの学習表現に分解する。 まず、内容単位を対象の感情に翻訳し、その単位に基づいて韻律的特徴を予測することによって、音声内容を変更する。 最後に、予測された表現をニューラルボコーダに入力して音声波形を生成する。
  論文  参考訳（メタデータ） (2021-11-14T18:16:42Z)
• Fast End-to-End Speech Recognition via a Non-Autoregressive Model and Cross-Modal Knowledge Transferring from BERT [72.93855288283059]
  LASO (Listen Attentively, and Spell Once) と呼ばれる非自動回帰音声認識モデルを提案する。 モデルは、エンコーダ、デコーダ、および位置依存集合体(PDS)からなる。
  論文  参考訳（メタデータ） (2021-02-15T15:18:59Z)

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。