論文の概要: When Does a Spoken Agent Have Enough Evidence to Act? The PACT-SLM Contract Test

• arxiv url: http://arxiv.org/abs/2609.38232v1
• Date: Mon, 28 Sep 2026 17:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.413411
• Title: When Does a Spoken Agent Have Enough Evidence to Act? The PACT-SLM Contract Test
• Title（参考訳）: PACT-SLMの契約テストは、スパイエージェントがいつ行動に十分な証拠を持っているか?
• Abstract要約: 音声モデル(PACT-SLM)におけるターンテイキングのための部分的音声行動契約の導入 PACT-SLMは、最初の有効なアクションタイムを割り当て、アクションアイデンティティとタイミングを別々に計測する。 これらの結果から,行動識別とタイミングは部分音声決定行動の異なる側面を測ることが示された。
• 参考スコア（独自算出の注目度）: 8.345705067210861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming spoken agents may take an external action before the available speech supports it, yet final-turn scores do not reveal whether each observed prefix supports that action. We introduce the Partial Speech Action Contract for Turn Taking in Speech Language Models (PACT-SLM), a controlled evaluation that assigns a first valid action time and measures action identity and timing separately. The primary diagnostic contains 80 paired contrast groups from four held-out semantic families and 1,600 prefix predictions across clean and 15 dB noise renderings. After correcting a mismatch between randomized branch codes and semantic labels, a refitted WavLM Base Plus probe reaches 26.03% pooled post-onset semantic-label accuracy (95% group-bootstrap interval: 22.14%-29.68%), exposes an action on 18.99% of pre-onset prefixes, and predicts 5.94% of complete trajectories exactly. It exceeds matched text, scalar-acoustic, and shuffled-representation probes in post-onset label accuracy, but its score is at the 96th percentile of 100 within-prefix label permutations and below the 97.5th-percentile reference (26.73%). Elapsed time is more onset-exact than WavLM Base Plus (36.25% vs. 23.13%) but less accurate about action identity (9.92% vs. 26.03%). These results show that action identity and timing measure distinct aspects of partial-speech decision behavior.
• Abstract（参考訳）: 音声エージェントのストリーミングは、利用可能な音声がそれをサポートする前に外部アクションを取ることができるが、ファイナルターンスコアは、それぞれの観察されたプレフィックスがそのアクションをサポートするかどうかを明らかにしない。 本稿では,音声言語モデルにおけるターンテイキングのための部分的音声行動契約(PACT-SLM)について紹介する。 一次診断は、4つの保持されたセマンティックファミリーから80組のコントラスト群と、クリーンおよび15dBノイズレンダリングにまたがる1,600のプレフィックス予測を含む。 ランダム化された分岐符号とセマンティックラベルのミスマッチを修正した後、修正されたWavLM Base Plusプローブは、セット後セマンティックラベルの精度26.03%に達する(95%のグループブートストラップ間隔: 22.14%-29.68%)。 一致したテキスト、スカラー音響、シャッフル表現プローブをセット後のラベル精度で上回っているが、そのスコアは100の内固定ラベル置換率の96分の1であり、97.5分の1の基準(26.73%)以下である。 経過時間は、WavLM Base Plus (36.25%対23.13%) よりも高いが、アクションアイデンティティ(9.92%対26.03%)については正確ではない。 これらの結果から,行動識別とタイミングは部分音声決定行動の異なる側面を測ることが示された。

関連論文リスト

• Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
  我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。 5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。 アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
  論文  参考訳（メタデータ） (2026-09-30T16:40:22Z)
• Self-Repulsive Sampling for Diffusion Language Models [42.61658629762382]
  Self-Repulsion (SR) は、マスク付き拡散言語モデルのサンプルである。 パスはバッチ化されたフォワードパスを共有し、次に順番にコミットする。 投票の得票率は、主に正しい回答のより高いカバレッジから生じる。
  論文  参考訳（メタデータ） (2026-09-30T11:58:40Z)
• ActionLens: Diagnosing Spatial-Temporal Binding Failures in Vision-Language Models [27.10329844636688]
  ActionLensは、対象とする5つの診断にまたがる6,701のマルチチョイスビデオ質問の診断ベンチマークである。 グラウンドトルース回答は1秒あたり58万の個人アノテーションから決定的に導かれる。 視線検出は89.6%の人的精度に対してほぼ確実である。
  論文  参考訳（メタデータ） (2026-09-28T08:10:06Z)
• The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
  本研究は, ベットによる検査に基づく漏洩検出について検討する。 13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
  論文  参考訳（メタデータ） (2026-09-27T14:14:10Z)
• Observer Choice and Threshold Selection in Retinal Vessel Segmentation: A Subject-Separated Evaluation [28.97096038427138]
  全28個のCHASE DB1画像と両アノテーションを用いて網膜血管分割の選択について検討した。 ランダムな森林では、マキシミンは21本中19本で閾値を変化させるが、最悪のサーバのDiceは70.53パーセントから70.45パーセントに低下する。 IdenticalObserver-1-tuned random-forest masks score 73.6% againstObserver 1 and 71.06% againstObserver 2
  論文  参考訳（メタデータ） (2026-09-22T02:41:33Z)
• From Scores to Evidence: Auditable Decisions Can Improve Speech Deepfake Detection [12.159476982130286]
  音声のディープフェイクは、聞き手や自動化されたシステムを騙すのに十分な説得力のある話者の声を模倣することができる。 ほとんどの検出器は発話ごとに1点のスコアで終わるが、なぜ境界線アイテムが信頼されるべきなのか、延期されたのか、あるいはレビューされるべきなのかは、ほとんど語っていない。 この疑問に答えるには、4つの整列した手がかりを後期校正ステップに伝達する監査可能な決定記録がある。
  論文  参考訳（メタデータ） (2026-09-08T15:38:57Z)
• PROOF: Profiling Reliability of Object-Level Facts in Large Language Models [33.72751145910978]
  PROOFは、命令調整言語モデルにおける事実カバレッジのためのプロファイル指向のベンチマークである。 各質問には、明示的な"I don't know"オプション、"No correct option"コントロール、および9つの制御された定式化がある。 我々は166,374個のオープンウェイトモデル配置を18個のオープンウェイトモデル配置で評価し,各プロンプトと固定10%のサブセットで個別にパーターブデコーディングを行う。
  論文  参考訳（メタデータ） (2026-08-24T17:13:25Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Semi-Supervised Speech Recognition via Local Prior Matching [42.311823406287864]
  局所的な事前マッチングは、強い事前から知識を蒸留する半教師付き目的である。 我々は,LPMが理論的に良好であり,実装が容易であり,既存の知識蒸留技術よりも優れていることを実証した。
  論文  参考訳（メタデータ） (2020-02-24T16:07:11Z)

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。