論文の概要: Multi-agent Auditory Scene Analysis: Improved Localization Speed and Robustness by Multi-beamformed Speech Quality Feedback

• arxiv url: http://arxiv.org/abs/2610.00538v1
• Date: Wed, 30 Sep 2026 18:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.693332
• Title: Multi-agent Auditory Scene Analysis: Improved Localization Speed and Robustness by Multi-beamformed Speech Quality Feedback
• Title（参考訳）: マルチエージェント聴覚シーン分析:マルチビーム音声品質フィードバックによる局所化速度とロバスト性の改善
• Abstract要約: リアルタイム聴覚シーンアナライザ(ASA)は、所定の音響環境に存在する音源の特定、分離、分類を行う。 近年、ASAをマルチエージェントシステムとしてモデル化する取り組みがおこなわれており、各エージェントが上記のタスクの1つを実行するようになっている。 これらの通信経路は、グローバルレベルでローカルエラーを修正するためのフィードバックループとして使用され、局所的な複雑さを低減しながら堅牢性を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A real-time auditory scene analyzer (ASA) aims to carry out the tasks of locating, separating and classifying the sound sources present in a given acoustic environment. Recently, an effort has been made into modelling an ASA as a multi-agent system, with each one of its agents performing one of the aforementioned tasks and communicating their results to the rest of their peer agents. These communication routes are used as feedback loops to fix local errors at a global level, providing robustness while reducing local complexity. An example of the benefits of this approach is the optimization of speech quality by correcting in real-time the estimated location of the speech source of interest. However, their optimization speed has been shown to be considerably slow. One possible reason is that it solely relies on a series of single quality estimations (provided by a reference-free quality estimator model) that vary considerably from one window to the next, which results in a difficult search space to optimize. In this work, a new optimization mechanism is proposed that instead relies on a series of sets of quality estimations over a range of locations, providing a clearer view of the search space, simplifying its optimization. The proposed ASA now has a considerably smaller optimization time, is more accurate, and is more stable when being evaluated in real-life acoustic scenarios to correct higher levels of localization errors, all while being less complex than previous efforts. The only trade-off is that there is an increase in the response time of the quality estimation agent, but the complete ASA is still able to run in real-time. The performance shown in this work again shows the benefits of modelling an ASA as a multi-agent system.
• Abstract（参考訳）: リアルタイム聴覚シーンアナライザ(ASA)は、所定の音響環境に存在する音源の特定、分離、分類を行う。 近年、ASAをマルチエージェントシステムとしてモデル化する取り組みが行われ、各エージェントが上記のタスクの1つを実行し、その結果を他のエージェントに伝達するようになっている。 これらの通信経路は、グローバルレベルでローカルエラーを修正するためのフィードバックループとして使用され、局所的な複雑さを低減しながら堅牢性を提供する。 このアプローチの利点の1つは、興味のある音声ソースの推定位置をリアルタイムで補正することで、音声品質の最適化である。 しかし、最適化速度はかなり遅いことが示されている。 一つの理由は、単一の品質推定(参照なし品質推定モデルによって提供される)にのみ依存しており、1つのウィンドウから次のウィンドウまで大きく異なるため、最適化が難しいためである。 本研究では, 探索空間のより明確なビューを提供し, その最適化を簡素化する, 一連の品質推定手法を提案する。 提案したASAは、最適化時間はかなり小さく、より正確であり、実生活の音響シナリオで評価された場合、より高レベルのローカライズエラーを補正するときにより安定である。 唯一のトレードオフは、品質推定エージェントのレスポンス時間が増加することだが、完全なASAはリアルタイムに実行可能である。 この研究で示されたパフォーマンスは、ASAをマルチエージェントシステムとしてモデル化する利点を示している。

関連論文リスト

• InferenceBench: A Benchmark for Open-Ended LLM Inference Optimization by AI Agents [15.892896819368751]
  InferenceBenchでは、エージェントがOpenAI互換の推論サーバをデプロイし、LLM推論の速度を最適化する必要がある。 3つの最適化シナリオは、推論のボトルネックを区別する。 エージェントは、単純なPyTorchベースラインよりも確実に改善する。 全体としてInferenceBenchは、エージェントがオープンなAIエンジニアリング環境で操作できることを反映している。
  論文  参考訳（メタデータ） (2026-05-20T15:55:21Z)
• AgentNoiseBench: Benchmarking Robustness of Tool-Using LLM Agents Under Noisy Condition [72.24180896265192]
  本稿では,騒音環境下でのエージェントモデルのロバスト性を評価するためのフレームワークであるAgentNoiseBenchを紹介する。 まず、実世界のシナリオにおけるバイアスと不確実性の詳細な分析を行う。 次に,環境騒音をユーザノイズとツールノイズの2つの主要なタイプに分類する。 この分析に基づいて,既存のエージェント中心ベンチマークに制御可能なノイズを注入する自動パイプラインを開発した。
  論文  参考訳（メタデータ） (2026-02-11T20:33:10Z)
• It's Never Too Late: Noise Optimization for Collapse Recovery in Trained Diffusion Models [80.53672733210111]
  基本モデルの忠実さを保ちつつモード崩壊を緩和する,単純な雑音最適化の目的を示す。 実験により,騒音の最適化は生成品質と多様性の点で優れた結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-12-31T19:47:49Z)
• Multi-agent Auditory Scene Analysis [0.0]
  聴覚シーン分析(ASA)は、音源の位置、分離、分類の3つの主要なタスクを実行することで、音環境から情報を取得することを目的としている。 これらのタスクを実行すると、全体のレスポンス時間がリニアに増加し、最後のタスクは最初のタスク(ロケーション)のエラーに非常に敏感になる。 タスクを並列に実行し、各タスク間のフィードバックループでローカルエラーを補うためのマルチエージェントアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-03T16:16:46Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• The Efficiency vs. Accuracy Trade-off: Optimizing RAG-Enhanced LLM Recommender Systems Using Multi-Head Early Exit [46.37267466656765]
  本稿では,Retrieval-Augmented Generation(RAG)と革新的なマルチヘッドアーリーエグジットアーキテクチャを組み合わせた最適化フレームワークを提案する。 我々の実験は、信頼性の高いレコメンデーション配信に必要な精度を犠牲にすることなく、このアーキテクチャがいかに効果的に時間を削減するかを実証している。
  論文  参考訳（メタデータ） (2025-01-04T03:26:46Z)
• In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
  大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。 これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。 本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-04T03:39:28Z)

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。