論文の概要: Before the Warning Comes Too Late: Incremental Phone-Scam Detection from Speech

• arxiv url: http://arxiv.org/abs/2609.20223v1
• Date: Tue, 28 Jul 2026 03:12:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.639938
• Title: Before the Warning Comes Too Late: Incremental Phone-Scam Detection from Speech
• Title（参考訳）: 警告が遅すぎる前に: 音声からのインクリメンタル電話カメラ検出
• Abstract要約: StreamFraudNetを導入し、重なり合う有界コンテキストウィンドウを通じて入出力オーディオを処理する。 制御された英語のベンチマークにおいて、StreamFraudNetはROC--AUC(0.9953)を達成する 以上の結果から,文章や時間的アノテーションを使わずに,生音声から不正行為のリスクを段階的に評価できることが示唆された。
• 参考スコア（独自算出の注目度）: 2.8337586971327338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study weakly supervised incremental telecom fraud detection from raw telephone audio, where training provides only conversation-level labels and predictions must be updated before a call ends. We introduce StreamFraudNet, which processes incoming audio through overlapping bounded-context windows using a frozen self-supervised speech encoder, recurrent temporal modeling, and learned aggregation of latent window scores. On a controlled English benchmark, StreamFraudNet achieves a ROC--AUC of \(0.9953\), significantly outperforming acoustic and mean-pooling baselines while remaining competitive with strong global temporal models. The model produces its first prediction after 10 seconds of audio, updates every 2 seconds, and operates faster than real time on the evaluated server hardware. Ablations identify recurrent temporal context as the principal contributor to performance. These results demonstrate that fraud risk can be scored incrementally from raw speech without transcripts or temporal annotations, while highlighting the need for latency-aware training to improve early prediction.
• Abstract（参考訳）: そこでは,通話終了前に会話レベルのラベルのみをトレーニングし,予測を更新する必要がある。 本稿では,凍結した自己教師付き音声エンコーダ,繰り返し時間モデル,潜時ウィンドウスコアの集約などを用いて,重なり合う有界コンテキストウィンドウを通じて入出力音声を処理するStreamFraudNetを紹介する。 制御された英語のベンチマークでは、StreamFraudNetは(0.9953\)のROC-AUCを達成し、強いグローバル時間モデルと競合しながら、アコースティックベースラインと平均プールベースラインを著しく上回っている。 このモデルは、10秒のオーディオの後の最初の予測を生成し、2秒毎に更新し、評価されたサーバハードウェア上でリアルタイムよりも高速に動作する。 アブレーションは、繰り返し発生する時間的文脈をパフォーマンスの主要なコントリビュータとみなす。 これらの結果から,テキストや時間的アノテーションを使わずに生音声から不正行為のリスクを段階的に評価し,早期予測を改善するための遅延認識トレーニングの必要性を強調した。

関連論文リスト

• TeleAntiFraud 2.0: A Refreshable, Profile-Grounded, and Audio-Based Benchmark for Telecom Fraud Detection [55.35119005976305]
  テレコム詐欺スクリプトは急速に進化し、日常的なサービス会話に似たように設計されている。 ベンチマークは、以前に確立されたテストセットを上書きすることなく、新しく観察された詐欺パターンを組み込まなければならない。 本稿では,Mixed-Tree Anti-Fraud Generation Pipelineで構築したTeleAntiFraud 2.0について述べる。
  論文  参考訳（メタデータ） (2026-09-16T14:41:11Z)
• Lie to me: Detecting Managerial Evasiveness in Earnings Calls via Conversational Audio Encoders [9.284552035393796]
  本稿では,外部SECイベントの予測器として,管理回避性を検出するための2分岐フレームワークを提案する。 対話型音声力学は,語彙内容と呼長長を超えた管理回避性を符号化している。
  論文  参考訳（メタデータ） (2026-09-12T11:42:53Z)
• Thinking with Looped Flows [19.42368401391554]
  人間や機械は計算により多くの時間を費やすことで難しい問題を解決することが多い。 ディープラーニングでは、ループモデルがこのアイデアを推論中に実装し、隠れた状態を繰り返し更新する。 本稿では,局所的な認知的目的によって繰り返しを訓練することで,この問題を副次的に解決するループフローを提案する。
  論文  参考訳（メタデータ） (2026-09-10T16:52:54Z)
• Zero-Shot Temporal Localisation of Audio Deepfakes in Multi-Speaker Conversations [4.152774504513197]
  トレーニングフリーの5段階パイプラインは凍結されたバイナリ検出器をラップし、再トレーニングなしでセグメントレベルの出力を追加する。 ASVspoof 5からの180の複数話者会話では、強いバックボーンを持つ時間交叉対結合0.90、時間検出率0.95、MS-DCF0.26が達成された。 実際の発話における偽アラームレートは6%未満であり、真のマルチ話者対話(AMI)では2%以下である。 同一のパイプラインの下では、訓練されたローカライザが時間IoUを約0.04改善し、監督を継続するコストを抑える。
  論文  参考訳（メタデータ） (2026-09-09T11:27:26Z)
• TEMPO: Temporally-grounded Multi-task Post-training for Large Audio-Language Models [58.80225070159013]
  大型オーディオ言語モデル(LALM)は、クリップレベルで音声を記述するが、イベント、スピーカー、音声にタイムスタンプを割り当てることはできない。 我々は、音声、音声、音楽のタイムスタンプタスクを処理する最初の統合モデルであるTEMPOを提案する。
  論文  参考訳（メタデータ） (2026-08-30T19:49:21Z)
• Improving Text-to-Audio Instruction Following via Fine-Grained Feedback from Audio-Aware Large Language Models [51.75139461584678]
  最近の音声合成モデルは高品質な音声を生成するが、複数の音声イベントと時間順を含む指示に従わないことが多い。 本稿では,音声対応の大規模言語モデルを用いた指示レベルフレームワークを提案する。 実験の結果,既存のベンチマークやS3Benchにおける事象完全性,時間的順序付け,共同指示追従の精度が向上し,音質の維持が図られた。
  論文  参考訳（メタデータ） (2026-07-15T03:13:06Z)
• Temporal Contrastive Decoding: A Training-Free Method for Large Audio-Language Models [56.91801348360746]
  大規模な音声言語モデル(LALM)は、音声、音声、音楽にまたがって一般化される。 統一デコーダは 時空間のスムーズなバイアスを示します LALMの学習自由復号法であるemphTemporal Contrastive Decoding (TCD)を提案する。
  論文  参考訳（メタデータ） (2026-04-16T02:30:41Z)
• Towards the Vision-Sound-Language-Action Paradigm: The HEAR Framework for Sound-Centric Manipulation [26.766367856312694]
  本稿では,視覚・ストリーミング音声・言語・プロプライエセプションを考慮した連続制御パラダイムとして,VSLA(Vision-Sound-Language-Action)を定式化した。 i) 実行ギャップをまたいだコンパクトで因果的な音声コンテキストを維持するためのストリーミングヒストリザ、(ii) オームニ基礎モデルから多感覚入力を推論するエンビジョンタ、(iii) オーディオワールドモデルとして定式化されたアドバンサ、そして(iv) 流れを予測して時間的ダイナミクスを学ぶための、VSLAフレームワークであるHEARを紹介する。
  論文  参考訳（メタデータ） (2026-03-17T03:22:30Z)
• Stream RAG: Instant and Accurate Spoken Dialogue Systems with Streaming Tool Usage [66.67531241554546]
  従来のASR-LLM-TTSパイプラインに代わる強力な対話システムとして、エンドツーエンドの音声対話システムが登場している。 本稿では,音声入力システムに直接ツールの使用を拡張するための最初のアプローチを紹介する。 提案するStreaming Retrieval-Augmented Generation (Streaming RAG) は,ユーザ音声と並行してツールクエリを予測することにより,ユーザ知覚のレイテンシを低減する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-02T14:18:20Z)
• Predictive Speech Recognition and End-of-Utterance Detection Towards Spoken Dialog Systems [55.99999020778169]
  本稿では,次の単語を予測し,発話終了まで残される時間を推定する機能について検討する。 我々は,音響情報と言語情報の両方を組み込んだクロスアテンションに基づくアルゴリズムを開発した。 その結果,提案モデルでは,提案する単語を予測し,将来のEOUイベントを実際のEOUより300ミリ秒前まで推定する能力を示した。
  論文  参考訳（メタデータ） (2024-09-30T06:29:58Z)

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。