論文の概要: Pruning for Efficiency, Paying in Fairness: Demographic Disparities in Pruned Speech-LLMs

• arxiv url: http://arxiv.org/abs/2609.38106v1
• Date: Tue, 29 Sep 2026 17:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.805176
• Title: Pruning for Efficiency, Paying in Fairness: Demographic Disparities in Pruned Speech-LLMs
• Title（参考訳）: フェアネスにおける効率・支払いのためのプルーニング:プルーニング音声-LLMにおけるデモグラフィの差異
• Abstract要約: 音声エンコーダのプルーニングがSLAM-ASRに与える影響を,異なる集団群に対して系統的に検討した。 その結果,刈り取りがすべての人口集団に等しく影響を与えないことが判明した。 以上の結果から, プルーニングモデルでは, グループごとのWERの配置決定を, グループごとのエラー率を明示的基準として含めるべきであることが示唆された。
• 参考スコア（独自算出の注目度）: 4.036791118154379
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech-LLMs are expensive to run, making compression important for real-world deployment. However, compressed models are usually selected using aggregate word error rate (WER), which can hide how pruning affects different demographic groups. In this work, we systematically study the effect of audio encoder pruning on SLAM-ASR for different demographic groups. Using the Fair-Speech and Common Voice datasets, we found that the pruning does not affect all demographic groups equally; the gap between best- and worst-performing groups increases in fold. These disparities appear across all three encoder scales, but only the largest model initially hides them behind aggregate WER. LoRA adaptation improves WER for every group, but benefits groups already performing well more strongly and widens for certain groups. On Common Voice English, Danish, and Dutch, accent gaps persist but do not clearly widen, showing that the fairness effects of pruning vary across datasets and must be measured directly. Our findings suggest that for pruned models, deployment decisions should include per-group WER, with the worst-performing group's error rate as an explicit criterion.
• Abstract（参考訳）: 音声-LLMは実行に費用がかかるため、実際のデプロイメントでは圧縮が重要になる。 しかし、圧縮モデルは通常、集団的単語誤り率(WER)を用いて選択される。 本研究では,音声エンコーダのプルーニングがSLAM-ASRに与える影響を,異なる人口集団に対して系統的に検討する。 Fair-Speech と Common Voice のデータセットを用いて、プルーニングがすべての人口集団に等しく影響を与えていないことを発見した。 これらの差は3つのエンコーダスケールにまたがって現れるが、最も大きなモデルのみがWERの集合に隠している。 LoRA適応は、すべてのグループに対してWERを改善するが、すでにあるグループに対してより強く、より広く機能するグループに利益をもたらす。 Common Voice English、デンマーク語、オランダ語ではアクセントギャップは持続するが、明確には広まっておらず、プルーニングの公平性はデータセットによって異なり、直接測定されなければならないことを示している。 以上の結果から, プルーニングモデルでは, グループごとのWERの配置決定を, グループごとのエラー率を明示的基準として含めるべきであることが示唆された。

関連論文リスト

• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Towards Large Language Models that Benefit for All: Benchmarking Group Fairness in Reward Models [16.977176752570617]
  大規模言語モデル(LLM)は、ますます強力で、人間のユーザにとってアクセスしやすくなっている。 多様な人口集団、すなわちグループフェアネスの公平性を保証することは、批判的な倫理的関心事である。 この研究は、学習した報酬モデルのグループフェアネスをベンチマークする。
  論文  参考訳（メタデータ） (2025-03-10T19:39:39Z)
• Small Changes, Large Consequences: Analyzing the Allocational Fairness of LLMs in Hiring Contexts [19.20592062296075]
  大規模言語モデル(LLM)は、採用のような高度なアプリケーションにますますデプロイされている。 本研究は、実際の人事利用を反映した2つのタスクを通して、LLMベースの採用システムの割当公平性を検討する。
  論文  参考訳（メタデータ） (2025-01-08T07:28:10Z)
• Everyone deserves their voice to be heard: Analyzing Predictive Gender Bias in ASR Models Applied to Dutch Speech Data [13.91630413828167]
  本研究は,オランダ語音声データに基づくWhisperモデルの性能格差の同定に焦点をあてる。 性別グループ間の単語誤り率,文字誤り率,BERTに基づく意味的類似性を解析した。
  論文  参考訳（メタデータ） (2024-11-14T13:29:09Z)
• 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)
• Houston we have a Divergence: A Subgroup Performance Analysis of ASR Models [2.5168553347063862]
  Fearless Steps APOLLO Community Resourceは、マルチスピーカーチームコミュニケーションの可能性を探るための例外のない機会を提供する。 本研究では,ASR(Automatic Speech Recognition, 自動音声認識)手法により, アポロの録音を多かれ少なかれ理解しやすくする特徴を明らかにすることに焦点を当てた。
  論文  参考訳（メタデータ） (2024-03-31T10:06:19Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)

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。