論文の概要: InterBias-SV: Compound Conditions in Speaker Verification
- arxiv url: http://arxiv.org/abs/2609.36500v1
- Date: Tue, 29 Sep 2026 01:54:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.109321
- Title: InterBias-SV: Compound Conditions in Speaker Verification
- Title（参考訳）: InterBias-SV:話者検証における複合条件
- Abstract要約: InterBias-SVはこの問題を4つの長期比較(ジョイントエラー、2つの限界誤差、共通参照)でまとめている。
結果のアーティファクトには、17の実験、12のエンコーダラベル、6つの音声コーパスがあり、合計で1200万のトライアル評価がなされている。
- 参考スコア（独自算出の注目度）: 5.2851376150891864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Speaker verification systems encounter combinations of noise, channel distortion, and changes in speech. Evaluating each condition separately does not establish whether their effects add. InterBias-SV organises this question around a four-term comparison: joint error, two marginal errors, and a common reference. Its results artefact contains 4,068 scored records across 17 experiments, 12 encoder labels, and six speech corpora, totalling 12 million trial evaluations. Three experiment families contain the same-corpus terms needed to compute additive contrasts. For labels assigned to speaker-trained encoders, their mean contrasts are +0.0026, +0.0088, and +0.0024 in equal error rate (EER), with larger variation across settings. These descriptive averages do not establish equivalence to additivity: trial matching, checkpoint identity, and parts of the condition metadata remain unverified. We also examine two interpretation problems. Near-chance EER can make additive predictions difficult to interpret, but chance performance is not a hard EER ceiling, and correlation with the prediction does not identify a saturation mechanism. Ratios of demographic gaps are unstable when their clean reference is near zero; absolute gaps provide a more direct summary. The benchmark provides condition definitions, analysis scripts, and explicit requirements for interpretable compound-condition comparisons, while separating recomputable summaries from claims that require further experimental validation.
- Abstract（参考訳）: 話者認証システムは、雑音、チャネル歪み、および音声の変化の組み合わせに遭遇する。
それぞれの条件を個別に評価することは、その効果が増すかどうかを定めない。
InterBias-SVはこの問題を4つの長期比較(ジョイントエラー、2つの限界誤差、共通参照)でまとめている。
その成果には、17の実験で4,068件、エンコーダーラベル12件、音声コーパス6件が含まれている。
3つの実験族は加法コントラストを計算するのに必要な同じコーパス項を含む。
話者訓練エンコーダに割り当てられたラベルでは、平均コントラストは+0.0026、+0.0088、+0.0024等で、設定によって大きく変化する。
これらの記述的平均は、試行マッチング、チェックポイントアイデンティティ、条件メタデータの一部がまだ検証されていないという、加算性と等価性を確立していない。
また、2つの解釈問題についても検討する。
近チャンスEERは付加的な予測を解釈しにくくするが、確率性能は難しいEER天井ではなく、その予測との相関は飽和機構を識別しない。
人口格差の比率は、クリーンな参照がゼロに近いときに不安定であり、絶対的なギャップはより直接的な要約を提供する。
このベンチマークは、条件定義、分析スクリプト、解釈可能な複合条件比較のための明示的な要件を提供し、さらに実験的な検証を必要とするクレームから再計算可能な要約を分離する。
関連論文リスト
- Same Scores, Different Decisions: Evaluating JEV and Language Models for Legal Document Understanding [65.85599131866623]
私たちはJevとContractNLIの9つの言語モデルを比較します。
制御された比較は、仮説の可視性、要求された出力、および出力順序によって異なる。
Jevは、評価された構成の中で、最低コストと中央値のレスポンス時間を持っています。
論文 参考訳（メタデータ） (2026-09-23T10:53:01Z) - Auditing Bayesian Graph Alignment: Diagnostic Comparisons and Reference Failure [0.0]
3つのサンプルとスコア,限界,指標,カテゴリー,分類器に基づく診断を比較した。
また, 誤差が967に近づいたにもかかわらず, ほぼゼロに一致しない共通開始鎖も示している。
これらの結果は、有限予算の限界、診断ランク、基準合意を精度の証拠として識別しながら、割当感性監査を支援する。
論文 参考訳（メタデータ） (2026-09-19T22:19:09Z) - Identity or Prompt Noise? A Calibrated Invariance Audit of LLM Code Generation [2.544327666155944]
アイデンティティの手がかりは、固定されたプログラミング仕様とは無関係であるが、不平等なサンプルから生の反事実的な違いが生じる可能性がある。
我々は、HumanEval+とMBPP+の7つのチェックポイントから、3073万のPython世代を監査する。
論文 参考訳（メタデータ） (2026-09-18T19:20:12Z) - Mitigating Rubric Interference in LLM Judges via On-Policy Self-Distillation [40.2978746802106]
LLM審査員は、きめ細かいルックスチェックリストに対する反応をますます評価している。
現在のメソッドは通常、それぞれを別々の推論コールで評価する。
その結果,どのルーリックが同一であるかによって,1つのルーリックシフトの判定が行われることがわかった。
我々は、4つの制御された操作を通して干渉を探索する測定フレームワークを開発した。
論文 参考訳（メタデータ） (2026-08-05T03:35:29Z) - Building Fast, Evaluating Slow: Pipeline Choices Dominate Autointerpretability Score Variance [16.4916822123503]
スパースオートエンコーダ(SAE)の相互比較は、しばしば自己解釈可能性スコアに依存する。
評価パイプラインの相違ではなく,特徴の安定な特性を反映しなければならないことを示す。
論文 参考訳（メタデータ） (2026-07-01T13:18:12Z) - Prompt-Induced Score Variance in Zero-Shot Binary Vision-Language Safety Classification [43.86209535250233]
クロスプロンプト分散は、プロンプトレベルの不一致とより高いエラーと強く関連している。
トレーニングフリーの平均アンサンブルは、14のデータセットモデル評価ペアすべてでNLLを改善する。
ゼロショットVLMの第1スコアに対する信頼性ストレステストとみなす。
論文 参考訳（メタデータ） (2026-05-01T01:06:30Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - From Calibration to Refinement: Seeking Certainty via Probabilistic Evidence Propagation for Noisy-Label Person Re-Identification [40.73759251488672]
既存のノイズロスのある人物Re-ID法は、ソフトマックス出力を用いた損失補正やサンプル選択方式に依存している。
本稿では,キャリブレーションからリファインメントへ伝播する確率的証拠を通じて確実性を求める2段階フレームワークであるCARE法を提案する。
精製段階では, クリーン試料とノイズ試料をより正確に識別できるエビデンス伝搬精製法(EPR)を設計する。
論文 参考訳（メタデータ） (2026-02-26T15:50:15Z) - SpatialBench-UC: Uncertainty-Aware Evaluation of Spatial Prompt Following in Text-to-Image Generation [0.0]
SpaceBench-UCは、ペアの空間関係を再現可能な小さなベンチマークである。
ベンチマークパッケージ、バージョン付きプロンプト、ピン付き構成、サンプルごとのチェッカー出力、レポートテーブルをリリースします。
安定拡散1.5, SD 1.5 BoxDiff, SD 1.4 GLIGENの3つのベースラインについて検討した。
論文 参考訳（メタデータ） (2026-01-19T23:37:10Z) - Breaking the Spurious Causality of Conditional Generation via Fairness
Intervention with Corrective Sampling [77.15766509677348]
条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。
これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。
この問題を緩和するための一般的な2段階戦略を提案する。
論文 参考訳（メタデータ） (2022-12-05T08:09:33Z)
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。