論文の概要: AFA-Net: A Differential Attention Approach for Auditory Attention Detection

• arxiv url: http://arxiv.org/abs/2609.31402v1
• Date: Fri, 25 Sep 2026 15:25:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.459662
• Title: AFA-Net: A Differential Attention Approach for Auditory Attention Detection
• Title（参考訳）: AFA-Net:聴覚注意検出のための差分注意アプローチ
• Abstract要約: タスク関連神経活動に焦点をあてる上で,バニラ注意をシンプルかつ柔軟な微分注意機構に置き換える機械学習フレームワークを提案する。 AFA-Netは2s決定ウィンドウで96.8%の精度を達成し、既存の方法よりもかなり少ないパラメータを使用する。
• 参考スコア（独自算出の注目度）: 23.99261517612737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Auditory Attention Detection (AAD) utilizes electroencephalographic (EEG) signals to identify a target speaker in a multi-speaker environment. Despite considerable progress, existing deep learning architectures often lack explicit mechanisms for handling noisy EEG data. To address this limitation, we propose Auditory Focus Attention Networks (AFA-Net), a machine learning framework that replaces vanilla attention with a simple yet flexible differential attention mechanism to help focus on task-relevant neural activity. AFA-Net achieves an upward accuracy of 96.8% at the 2s decision window, while using substantially fewer parameters than most existing methods. To the best of our knowledge, AFA-Net is among the first frameworks to explicitly try to combat EEG noise to improve AAD.
• Abstract（参考訳）: AAD(Auditory Attention Detection)は、脳波(EEG)信号を用いて、マルチスピーカー環境でターゲット話者を識別する。 かなりの進歩にもかかわらず、既存のディープラーニングアーキテクチャは、ノイズの多いEEGデータを扱うための明確なメカニズムを欠いていることが多い。 この制限に対処するために、我々は、バニラ注意を単純なフレキシブルな微分アテンションメカニズムに置き換える機械学習フレームワークであるAFA-Net(Auditory Focus Attention Networks)を提案する。 AFA-Netは2s決定ウィンドウで96.8%の精度を達成し、既存の方法よりもかなり少ないパラメータを使用する。 私たちの知る限りでは、AFA-Netは、AADを改善するためにEEGノイズに明示的に対処しようとする最初のフレームワークの1つです。

関連論文リスト

• Training-Free Intelligibility-Guided Observation Addition for Noisy ASR [57.74127683005929]
  本稿では,雑音環境下での音声認識を改善するために,インテリジェンス誘導観測加算法を提案する。 さまざまなSE-ASRの組み合わせとデータセットによる実験は、既存のOAベースラインよりも強い堅牢性と改善を示している。
  論文  参考訳（メタデータ） (2026-02-24T14:46:54Z)
• SAFE-QAQ: End-to-End Slow-Thinking Audio-Text Fraud Detection via Reinforcement Learning [52.29460857893198]
  既存の不正検出方法は、書き起こされたテキストに依存しており、ASRのエラーや、声調や環境条件のような重要な音響的手がかりが欠けている。 音声に基づくスロー思考詐欺検出のためのエンドツーエンド包括的フレームワークSAFE-QAQを提案する。 本フレームワークは,ライブコール中に動的リスクアセスメントフレームワークを導入し,不正の早期検出と防止を可能にする。
  論文  参考訳（メタデータ） (2026-01-04T06:09:07Z)
• Post-processing of EEG-based Auditory Attention Decoding Decisions via Hidden Markov Models [48.164830545588785]
  脳波(EEG)などの脳信号を利用した聴覚注意復号法(AAD)アルゴリズム 注意の時間構造をモデル化した隠れマルコフモデル(HMM)によるAADの拡張を提案する。 HMMは、因果(リアルタイム)と非因果(オフライン)の両方の設定において、既存のAADアルゴリズムを大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2025-06-30T16:31:26Z)
• AADNet: Exploring EEG Spatiotemporal Information for Fast and Accurate Orientation and Timbre Detection of Auditory Attention Based on A Cue-Masked Paradigm [4.479495549911642]
  脳波(EEG)からの聴覚的注意復号は、ユーザがノイズの多い環境でどのソースに出席しているかを推測することができる。 本研究は,実験前の情報漏洩を回避するために,キューメイドの聴覚注意パラダイムを提案する。 短時間の脳波信号から時間情報を活用するために,エンドツーエンドのディープラーニングモデルであるAADNetを提案した。
  論文  参考訳（メタデータ） (2025-01-07T06:51:17Z)
• Single-word Auditory Attention Decoding Using Deep Learning Model [9.698931956476692]
  聴覚刺激とそれに対応する脳反応を比較して聴覚注意を識別することは、聴覚注意復号法(AAD)として知られている。 本稿では,この課題に対処するため,EEGNetに基づくディープラーニングアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-15T21:57:19Z)
• TAnet: A New Temporal Attention Network for EEG-based Auditory Spatial Attention Decoding with a Short Decision Window [2.9033818582958393]
  聴取者の話者に対する注意方向を決定するために、聴覚空間注意検出(ASAD)を用いる。 本研究では、終端から終端までの時間的注意ネットワーク(TAnet)が導入された。
  論文  参考訳（メタデータ） (2024-01-11T10:36:27Z)
• Spiking-LEAF: A Learnable Auditory front-end for Spiking Neural Networks [53.31894108974566]
  Spiking-LEAFは、SNNベースの音声処理用に慎重に設計された学習可能な聴覚フロントエンドである。 キーワードスポッティングと話者識別タスクにおいて、提案したSpking-LEAFは、聴覚フロントエンドのSOTAよりも優れている。
  論文  参考訳（メタデータ） (2023-09-18T04:03:05Z)
• Improving Speech Emotion Recognition Through Focus and Calibration Attention Mechanisms [0.5994412766684842]
  既存のマルチヘッド自己注意における注意と信号振幅の相違を同定する。 そこで本研究では,マルチヘッド・セルフアテンションと組み合わせて,フォーカス・アテンション(FA)機構とノベル・アテンション(CA)機構を提案する。 CA機構を利用することで、異なる重みをそれぞれのアテンションヘッドに割り当てることで、情報フローを変調し、周囲のコンテキストの利用を改善することができる。
  論文  参考訳（メタデータ） (2022-08-21T08:04:22Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。