論文の概要: Acoustic domain shift in spoken language identification from systematic domain generalization evaluation to real-world application

• arxiv url: http://arxiv.org/abs/2609.31759v1
• Date: Wed, 23 Sep 2026 13:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:05:32.541451
• Title: Acoustic domain shift in spoken language identification from systematic domain generalization evaluation to real-world application
• Title（参考訳）: 言語識別における音響領域シフト : 体系的領域一般化評価から実世界への応用
• Abstract要約: ドメインの一般化は、トレーニング中に見つからない条件に頑健なモデルを開発することを目的としています。 既存の音声データセットは、実世界の音響条件に対する堅牢性を示す貴重なベンチマークを提供する。 音素領域シフトの制御のための小型音声データセットと評価プロトコルを提案する。
• 参考スコア（独自算出の注目度）: 7.75534159349522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Generalization (DG) aims to develop models that remain robust to conditions unseen during training. While DG has been systematically studied in computer vision through controlled benchmarks and diverse distribution shifts, its evaluation in spoken language recognition remains less structured. Existing speech datasets provide valuable benchmarks for robustness to real-world acoustic conditions, but are primarily designed around specific scenarios and large scale rather than as general-purpose tools for systematically constructing and evaluating domain shifts. In this work, we introduce a smallscale speech dataset and evaluation protocol for controlled studies of acoustic domain shifts. It enables the evaluation of spoken language recognition models under a variety of acousitc domain shifts. We introduce the speech modality into the DomainBed Domain Generalization framework and evaluate three domain generalization algorithms. We show that in-domain performance is not a reliable predictor of cross-domain robustness and verify that explicit domain invariant algorithms such as MMD or DANN algorithms do not outperform ERM. We further validate the generality of these findings on MMS-LID-126, a state-of-the-art spoken language identification system. We release the code.
• Abstract（参考訳）: ドメイン一般化(DG)は、トレーニング中に目に見えない条件に頑健なモデルを開発することを目的としている。 DGは、制御されたベンチマークや多様な分布シフトを通じてコンピュータビジョンにおいて体系的に研究されてきたが、音声認識における評価はいまだにあまり構造化されていない。 既存の音声データセットは、実世界の音響条件に対する堅牢性を示す貴重なベンチマークを提供するが、ドメインシフトを体系的に構築し評価するための汎用ツールとしてではなく、主に特定のシナリオと大規模に設計されている。 本研究では,音響領域シフトの制御のための小規模音声データセットと評価プロトコルを提案する。 これにより、様々なアコーシックドメインシフト下での音声認識モデルの評価が可能となる。 言語モーダリティをDomainBed Domain Generalizationフレームワークに導入し、3つのドメイン一般化アルゴリズムを評価する。 ドメイン内性能はドメイン間ロバスト性の信頼性の高い予測子ではないことを示し、MDDやDANNアルゴリズムのような明示的なドメイン不変アルゴリズムがEMMより優れていることを検証する。 MMS-LID-126は,現在最先端の音声言語識別システムである。 コードをリリースします。

関連論文リスト

• Domain-Specific Data Synthesis for LLMs via Minimal Sufficient Representation Learning [72.60775633696593]
  大規模言語モデルは、ドメイン固有のデータを微調整することで、特定のドメインで強力なパフォーマンスを達成することができる。 既存のデータ合成アプローチは、自然言語で表現された明示的なドメイン記述と慎重にプロンプトエンジニアリングに依存している。 本稿では、参照サンプルから最小限のドメイン表現を学習し、それを活用してドメイン整合合成データの生成を誘導する新しいフレームワークDOMINOを提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:57:02Z)
• Feature-Space Semantic Invariance: Enhanced OOD Detection for Open-Set Domain Generalization [10.38552112657656]
  本稿では、FSI(Feature-space Semantic Invariance)を導入して、オープンセット領域の一般化のための統一的なフレームワークを提案する。 FSIは機能領域内の異なるドメイン間のセマンティック一貫性を維持しており、見えないドメイン内のOODインスタンスをより正確に検出することができる。 また、新しいドメインスタイルやクラスラベルで合成データを生成するために生成モデルを採用し、モデルロバスト性を高めます。
  論文  参考訳（メタデータ） (2024-11-11T21:51:45Z)
• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Schema Augmentation for Zero-Shot Domain Adaptation in Dialogue State Tracking [16.67185296899117]
  ゼロショットドメイン適応のための現在の大規模言語モデルアプローチは、ターゲットドメインに関連する知識の導入を促すことに依存している。 本研究では,言語モデルのゼロショット領域適応を微調整により改善する新しいデータ拡張手法であるAugmentationを考案する。 MultiWOZ と SpokenWOZ の実験により,提案手法はベースラインよりも大幅に改善された。
  論文  参考訳（メタデータ） (2024-10-31T18:57:59Z)
• Domain Private Transformers for Multi-Domain Dialog Systems [2.7013801448234367]
  本稿では、条件付き言語モデルがドメイン間でリークする確率を定量化する新しい方法として、ドメインプライバシを提案する。 メンバシップ推論攻撃実験により,本手法は,近年の微分プライベート言語モデルに応用された手法に匹敵するレジリエンスを有することが示された。
  論文  参考訳（メタデータ） (2023-05-23T16:27:12Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Discriminative Adversarial Domain Generalization with Meta-learning based Cross-domain Validation [9.265557367859637]
  ドメイン一般化(DG)技術は、機械学習モデルのそのような一般化能力を高めることを目的としている。 メタラーニングに基づくクロスドメイン検証により,DADG(Dariminative Adversarial Domain Generalization)を提案する。 その結果、DADGは強力なベースラインであるDeepAllを一貫して上回り、ほとんどの場合、既存のDGアルゴリズムよりも上回ります。
  論文  参考訳（メタデータ） (2020-11-01T07:48:16Z)
• Meta-Learning for Domain Generalization in Semantic Parsing [124.32975734073949]
  セマンティック解析のためにゼロショットドメインをターゲットにしたメタラーニングフレームワークを使用する。 ゼロショット解析の仮想トレインと非結合領域からのテストセットをシミュレートするモデル非依存のトレーニングアルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-10-22T19:00:36Z)
• Unsupervised Domain Clusters in Pretrained Language Models [61.832234606157286]
  大規模事前学習型言語モデルでは,教師なしのドメインによってクラスタ化される文表現を暗黙的に学習する。 このようなモデルに基づくドメインデータ選択手法を提案する。 我々は5つの異なる領域にわたるニューラルネットワーク翻訳のためのデータ選択手法を評価する。
  論文  参考訳（メタデータ） (2020-04-05T06:22:16Z)

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。