論文の概要: NEUROTOKEN: Joint Source and Directional AAD with Envelope Decoding via Conditional Flow Matching
- arxiv url: http://arxiv.org/abs/2610.00397v1
- Date: Wed, 30 Sep 2026 11:55:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.633302
- Title: NEUROTOKEN: Joint Source and Directional AAD with Envelope Decoding via Conditional Flow Matching
- Title（参考訳）: NEUROTOKEN:条件付きフローマッチングによるエンベロープデコーディングによるジョイントソースとディレクショナルAAD
- Abstract要約: 本研究では,条件付きフローマッチングヘッド (ATTUNEFLOW) が,速度-残留確率の総合比で候補をスコアリングする方法を示す。
5秒のKU Leuven、DTU、NJUでは、ATTUNEFLOWは最強の非世代ベースラインよりも9%-16%上昇する。
- 参考スコア（独自算出の注目度）: 7.819841192602516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying which speaker a listener is attending to in a noisy room -- the cocktail-party problem -- is the missing ingredient for next-generation hearing aids and brain-computer interfaces: it tells the device whose voice to amplify. Auditory attention decoding (AAD) reads this answer from EEG, but the literature splits into disconnected pieces: directional-AAD classifies side but does not map side to stream; regression-based source-AAD ranks candidate streams by a single Pearson correlation that is intrinsically noisy at the 1-5 s windows real devices need; and envelope reconstruction has no native AAD rule. We argue the right object is not any single statistic but the conditional likelihood of the attended envelope given EEG, and we make this practical with NEUROTOKEN: a single network whose three heads share one EEG front-end, with a conditional flow-matching head (ATTUNEFLOW) that scores candidates by an integrated velocity-residual likelihood ratio. Two inference-time ensembles -- QUADTRACK (four complementary statistics) and ENV-FLOW (z-normalised QUADTRACK+ATTUNEFLOW) -- absorb per-statistic failure modes for free. On KU Leuven, DTU, and NJU at 5 s, ATTUNEFLOW lifts per-segment source-AAD by 9%-16% over the strongest non-generative baseline and shrinks across-subject variance by ~3x; trial-level fusion exceeds 93% on two of three datasets. In parallel reproductions we show that canonical 95-97% direction-AAD numbers collapse by 17%-45% under a strict trial-disjoint protocol, clarifying both the true ceiling and why a likelihood-based formulation is needed.
- Abstract（参考訳）: 聴覚障害者が騒音の多い部屋でどのスピーカーを聴いているか(カクテルパーティーの問題)は、次世代の補聴器や脳とコンピュータのインターフェースに欠けている要素だ。
AAD(Auditory attention decoding)はEEGからこの回答を読み取るが、文献は切断された部分に分けられる: 方向-AADは側面を分類するが、ストリームにマップしない 回帰ベースのソース-AADは1つのピアソン相関で候補ストリームをランク付けする。
提案手法では,3つの頭部が1つのEEGフロントエンドを共有できる単一ネットワークであるNEUROTOKENと,1つの速度-残留確率比で候補を評価できる条件付きフローマッチングヘッド(ATTUNEFLOW)を併用した。
2つの推論時アンサンブル - QUADTRACK (4つの補足統計)とENV-FLOW (z-normalized QUADTRACK+ATTUNEFLOW) - は、統計毎の障害モードを無料で吸収する。
KU Leuven、DTU、NJUの5秒で、ATTUNEFLOWは、最強の非生成ベースラインを9%-16%上回り、オブジェクト間の分散を約3倍縮小し、トライアルレベルの融合は3つのデータセットのうち2つで93%以上である。
並列再生では,厳密な試行錯誤プロトコルの下で95-97%の方向AAD数が17%-45%減少し,真の天井と可能性に基づく定式化の必要性を明らかにした。
関連論文リスト
- Correlation-Guided Encoder Selection for Multi-Encoder Large Audio-Language Models [52.59216139491759]
CUES (Correlation-gUided Selection) は、単エンコーダ評価のみから選択中の融合訓練なしで設定された候補をスコアする。
広いトラックAスイートでは、CUESはクロスファミリートリオ(Whisper-medium、mHuBERT-147、Dasheng-base)を選択する。
TrackBテキスト生成では、フォーカスされた音声のみのペア(mHuBERT-147とWavLM-base-plus)で再アンカーする。
論文 参考訳（メタデータ） (2026-09-16T02:41:41Z) - Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。
生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。
現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
論文 参考訳（メタデータ） (2026-08-17T09:53:27Z) - ER-KANs: Efficient and Robust Kolmogorov-Arnold Networks for Data-Scarce Scientific Machine Learning [0.0]
トレーニングデータをSigma=0.1ノイズで劣化させた場合,ChebyKanのMSEは10.6倍に向上することを示した。
ER-KANは、ノイズの多いデータスカース設定をターゲットとした3つの設計選択を組み合わせる。
論文 参考訳（メタデータ） (2026-08-14T16:15:37Z) - A Decomposable Probe for Few-Step Diffusion Models: Prompt, Latent, and Score Selectivity across Backbone Families and Distillation Paradigms [0.0]
拡散学生は50～1-8のネットワーク評価からテキスト・ツー・イメージ・推論を減らした。
我々はスカラーを3つの層に沿って制御された摂動を注入する分解可能なプローブで置き換える。
Inception機能に対するブートストラップ中間のBures W22選択率について報告する。
論文 参考訳（メタデータ） (2026-07-03T12:18:24Z) - A Multi-Probe Audit of Clinical-Interview Depression Detection Benchmarks [0.12891210250935145]
本稿では,4つの相補的プローブを用いた臨床・臨床・臨床・臨床のうつ病検出におけるベンチマーク評価を行った。
E-DAICを厳密な主観的分離型離脱1-サブジェクトアウト・クロスバリデーションの下で再評価する。
E-DAICのオフィシャルスプリットが96モデル構成を網羅することで、詳細なリーダーボードランキングをサポートするかどうかを検証する。
論文 参考訳（メタデータ） (2026-05-13T17:32:41Z) - CIPHER: Conformer-based Inference of Phonemes from High-density EEG [0.0]
我々はCIPHER(高密度脳波表現からの音素のコンフォーマーベース推論)を提示する。
二分音節タスクは、ほぼシーリングのパフォーマンスに到達するが、非常に難易度が高い。
我々はこの研究を、EEG-to-textシステムではなく、ベンチマークと機能比較研究として位置付ける。
論文 参考訳（メタデータ） (2026-03-22T12:14:47Z) - Adaptive Split-MMD Training for Small-Sample Cross-Dataset P300 EEG Classification [12.103074826558531]
データセット間のシフトは、大きなソースデータセットで小さなターゲットセットを増やそうとするときに発生する。
適応分割最大値離散化学習(AS-MMD)を紹介する。
AS-MMDは、ターゲット重み付き損失とソース/ターゲットサイズ比の平方根に結びついたウォームアップを組み合わせる。
目標のみのトレーニングやプールトレーニングよりも優れています。
論文 参考訳（メタデータ） (2025-10-24T18:48:21Z) - DiffATR: Diffusion-based Generative Modeling for Audio-Text Retrieval [49.076590578101985]
ノイズから関節分布を生成する拡散型ATRフレームワーク(DiffATR)を提案する。
優れたパフォーマンスを持つAudioCapsとClothoデータセットの実験は、我々のアプローチの有効性を検証する。
論文 参考訳（メタデータ） (2024-09-16T06:33:26Z) - TOLD: A Novel Two-Stage Overlap-Aware Framework for Speaker Diarization [54.41494515178297]
話者ダイアリゼーションを単一ラベル分類問題として再検討する。
話者の重なりと依存性を明示的にモデル化できる重なり認識型EEND(EEND-OLA)モデルを提案する。
オリジナルのEENDと比較すると、提案されたEEND-OLAはダイアリゼーションエラー率において14.39%の相対的な改善を実現している。
論文 参考訳（メタデータ） (2023-03-08T05:05:26Z) - Directional ASR: A New Paradigm for E2E Multi-Speaker Speech Recognition
with Source Localization [73.62550438861942]
本稿では、指向性自動音声認識(D-ASR)と呼ばれる、エンドツーエンドのニューラルネットワーク方式で遠距離場マルチスピーカデータを処理するための新しいパラダイムを提案する。
D-ASRでは、マイクロホンアレイに対するソースの方位角を潜時変数として定義する。
論文 参考訳（メタデータ） (2020-10-30T20:26:28Z)
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。