論文の概要: When Entanglement Lower-Bounds Disparity: Auditing and Repairing Demographic Fairness in Audio Understanding Models

• arxiv url: http://arxiv.org/abs/2609.27382v1
• Date: Wed, 23 Sep 2026 05:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.89994
• Title: When Entanglement Lower-Bounds Disparity: Auditing and Repairing Demographic Fairness in Audio Understanding Models
• Title（参考訳）: アンタングルの低境界差:音声理解モデルにおける復刻的公正性の検証と修復
• Abstract要約: 音声認識は黒人話者の約2倍の頻度で行われ、第二言語アクセントや古い話者の精度は低下している。 TRIAD,120のテキストを横断する監査グリッド,24の階層音声プロファイル(ジェンダー,年齢帯,アクセント),10の表現スタイルを制御可能なテキスト・トゥ・音声で導入する。
• 参考スコア（独自算出の注目度）: 0.33054385258808067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech technology penalizes some voices: recognition errs nearly twice as often for Black speakers, and accuracy declines for second-language accents and older speakers. We introduce TRIAD, an audit grid crossing 120 texts, 24 rendered demographic voice profiles (gender, age band, accent), and ten expressive styles via controllable text-to-speech, isolating perceived demographic attributes from content and affect. For ten open-weights encoders we define axis-fidelity functionals, principal-angle leakage between axis subspaces, and group-conditional gaps; a proposition proves that average probe disparity grows with the same aggregate voice-semantic leakage $Λ$ we measure, and a corollary shows that peak leakage forces worst-case disparity inside an active region. The measured mean-square probe disparity tracks $Λ$ (Pearson r = 0.93), and a black-box protocol exposes the same signature in two closed-source models. ORCA, an adapter combining axis-specific contrastive heads, an orthogonality penalty, and group-balanced sampling, cuts leakage 72% and roughly halves the gaps.
• Abstract（参考訳）: 音声認識は黒人話者の約2倍の頻度で行われ、第二言語アクセントや古い話者の精度は低下している。 120のテキストを横断する監査グリッドTRIAD,24のレンダリングされた音声プロファイル(ジェンダー,年齢帯,アクセント)、および10の表現スタイルを制御可能なテキスト音声を通じて導入し、コンテンツや影響から認識された人口統計特性を分離する。 10個のオープンウェイトエンコーダに対して、軸-忠実関数、軸部分空間間の主角リーク、および群-条件ギャップを定義する。 平均2乗プローブの分散度は$$$(ピアソン r = 0.93)であり、ブラックボックスプロトコルは2つのクローズドソースモデルで同じシグネチャを公開する。 ORCAは軸特異的なコントラストヘッド、直交性ペナルティ、グループバランスサンプリングを組み合わせたアダプタで、漏れを72%削減し、ギャップをほぼ半分にする。

関連論文リスト

• A Probe Shift Is Not a Fairness Fix: The Limits of Representation Steering in Speech Models [9.715150075665354]
  我々は、事前訓練されたASRエンコーダから線形に読み取れる話者リンク属性が、グループ単語エラー率のギャップを減らすのに有用な方向を与えるかどうかを問う。 本研究は,表現,伝播,タスクレベルでの発話バイアス介入の評価を動機づけるものである。
  論文  参考訳（メタデータ） (2026-09-16T12:01:30Z)
• Speaker-Invariant Representation Learning for Spoofing Detection via Gradient Reversal and A Variational Information Bottleneck [7.166778372225167]
  話者不変なスプーフィング検出のための教師学習フレームワークを提案する。 我々は、事前学習した話者認識教師を利用して、勾配反転層を介して生徒モデルを指導する。 本モデルでは,MHFAベースラインと比較してEERに対して25.7%の削減を実現している。
  論文  参考訳（メタデータ） (2026-06-07T15:31:00Z)
• DENOASR: Debiasing ASRs through Selective Denoising [5.544079217915537]
  本稿では,2つの性別グループ間の単語誤り率の相違を低減するために,選択的なデノケーション手法であるDeNOASRを提案する。 一般的な2つの音声認識手法である「DEMUCS」と「LE」を組み合わせることで、全体的な性能を損なうことなく、ASRの相違を効果的に軽減できることがわかった。
  論文  参考訳（メタデータ） (2024-10-22T05:39:24Z)
• Sonos Voice Control Bias Assessment Dataset: A Methodology for Demographic Bias Assessment in Voice Assistants [10.227469020901232]
  本稿ではSonos Voice Control Bias Assessmentデータセットを紹介する。 1,038人のスピーカー、166時間、170kのオーディオサンプル、9,040のユニークなラベル付き文字起こし。 その結果、年齢、方言、民族によって統計的に有意な差が見られた。
  論文  参考訳（メタデータ） (2024-05-14T12:53:32Z)
• Audio-visual End-to-end Multi-channel Speech Separation, Dereverberation and Recognition [52.11964238935099]
  本稿では,音声-視覚的多チャンネル音声分離,デバーベレーション,認識手法を提案する。 ビデオ入力は、マスクベースのMVDR音声分離、DNN-WPEまたはスペクトルマッピング(SpecM)ベースの音声残響フロントエンドで一貫して実証される。 オックスフォードLSS2データセットのシミュレーションや再生を用いて合成した重畳および残響音声データについて実験を行った。
  論文  参考訳（メタデータ） (2023-07-06T10:50:46Z)
• Exploiting Cross-domain And Cross-Lingual Ultrasound Tongue Imaging Features For Elderly And Dysarthric Speech Recognition [55.25565305101314]
  調音機能は音響信号歪みに不変であり、音声認識システムにうまく組み込まれている。 本稿では,A2Aモデルにおける24時間TaLコーパスの並列音声・超音波舌画像(UTI)データを利用したクロスドメインおよびクロスランガルA2Aインバージョン手法を提案する。 生成した調音機能を組み込んだ3つのタスクの実験は、ベースラインのTDNNとコンフォーマーASRシステムより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-06-15T07:20:28Z)
• 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)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• FoolHD: Fooling speaker identification by Highly imperceptible adversarial Disturbances [63.80959552818541]
  話者識別モデルに対する知覚不能な摂動を発生させるホワイトボックス・ステガノグラフィーによる敵攻撃を提案する。 我々のアプローチであるFoolHDは、DCTドメインで動作するGated Convolutional Autoencoderを使用し、多目的損失関数で訓練されている。 我々は,VoxCelebを用いて訓練した250話者識別xベクトルネットワークを用いてFoolHDを検証する。
  論文  参考訳（メタデータ） (2020-11-17T07:38:26Z)
• Audio-visual Multi-channel Recognition of Overlapped Speech [79.21950701506732]
  本稿では,音声とマルチチャンネルの重なり合う音声認識システムについて述べる。 実験により,提案したマルチチャネルAVSRシステムは,音声のみのASRシステムを最大6.81% (26.83%) ,22.22% (56.87%) の絶対単語誤り率 (WER) で比較した。
  論文  参考訳（メタデータ） (2020-05-18T10:31:19Z)

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。