論文の概要: Revisiting Label-Free Speaker Embedding Enhancement with vMF Profile Likelihood

• arxiv url: http://arxiv.org/abs/2610.06691v1
• Date: Mon, 05 Oct 2026 16:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 23:35:35.006776
• Title: Revisiting Label-Free Speaker Embedding Enhancement with vMF Profile Likelihood
• Title（参考訳）: vMFプロファイルを用いたラベルフリー話者埋め込み強調法の再検討
• Abstract要約: ここでは、クリーンターゲットがトレーニング中に直接観察され、ユニット超球面上での整合性の問題が増大する。 我々は、von Mises-Fisher (vMF) の確率でクリーンターゲットをモデル化し、サンプル単位の濃度パラメータをプロファイルし、単純なクローズドフォームの目的を導出する。 この条件下でのラベルフリーな埋め込み強化は, 高度に構造化された定式化を必要としないことが示唆された。
• 参考スコア（独自算出の注目度）: 15.174376130092064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embedding enhancement improves speaker verification under acoustic mismatch without modifying a frozen backbone. Recent work has established a practical label-free setting for this task, but often adopts increasingly structured formulations. Here, the clean target is directly observed during training, making enhancement a matching problem on the unit hypersphere. We model the clean target with a von Mises--Fisher (vMF) likelihood and profile out a sample-wise concentration parameter, yielding a simple closed-form objective with adaptive weighting. Across VoxCeleb1, VoxSRC23, CN-Celeb, VOiCES, and VC-Mix, the proposed method largely preserves the baseline and gives clearer gains on challenging mismatch sets. It also remains stable under a broad single-view recipe, where a recent diffusion baseline becomes less reliable in controlled comparisons. These results suggest that effective label-free embedding enhancement in this setting does not require a highly structured formulation.
• Abstract（参考訳）: 埋め込み強化は、凍結したバックボーンを変更することなく、音響ミスマッチ下での話者認証を改善する。 最近の研究は、このタスクに実用的なラベルのない設定を確立してきたが、しばしばますます構造化された定式化を採用する。 ここでは、クリーンターゲットがトレーニング中に直接観察され、ユニット超球面上での整合性の問題が増大する。 我々は,von Mises-Fisher (vMF) の確率を用いてクリーンターゲットをモデル化し,試料の濃度パラメータをプロファイルし,適応重み付けによる単純な閉形状の目的を導出する。 提案手法は,VoxCeleb1,VoxSRC23,CN-Celeb,VOiCES,VC-Mixにまたがってベースラインを保ち,難解なミスマッチに対してより明確なゲインを与える。 また、最近の拡散ベースラインが制御された比較において信頼性が低くなるような、広い単一ビューのレシピの下でも安定している。 これらの結果から, この条件下でのラベルフリーな埋め込み強化は, 高度に構造化された定式化を必要としないことが示唆された。

関連論文リスト

• Robust Trajectory Distillation: Hybrid Reweighting Meets Teacher-Inspired Targets [51.490743278360064]
  本稿では,ノイズを共同で抑制し,伝達可能な知識を残さずに保持するトラジェクトリベースのDDフレームワークを提案する。 SGR(Selective Guidance Reweighting)とTIAT(Teacher-Inspireed Auxiliary Targets)の2つの補完的なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-06-29T06:24:53Z)
• Curvature-Adaptive Consistency Flow Matching: Autonomous Trajectory Optimization via Reinforcement Learning [8.422673935994451]
  連続蒸留は拡散モデルの推論を 著しく加速させました 本稿では,静的サンプリングの限界に対処するため,曲率適応整合フローマッチングを提案する。 提案手法は,FLUXやSDXLといった大規模モデルに対して,最新の結果を実現する。
  論文  参考訳（メタデータ） (2026-06-21T08:49:50Z)
• Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
  マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。 パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
  論文  参考訳（メタデータ） (2026-06-09T13:17:27Z)
• Plug-and-Play Guidance for Discrete Diffusion Models via Gradient-Informed Logit Correction [7.637257579386074]
  離散拡散モデルによる制御可能な生成は、しばしば高い計算オーバーヘッドや再学習の必要性によって妨げられる。 Informed underlinetextbfCorrection (textbfGILC) は,誘導信号を効率的に推定するプラグイン・アンド・プレイ・フレームワークである。
  論文  参考訳（メタデータ） (2026-06-04T15:41:53Z)
• Uniform Diffusion Models Revisited: Leave-One-Out Denoiser and Absorbing State Reformulation [72.05592785529404]
  UDMの標準プラグインブリッジパラメタライゼーションは,後側頭蓋に最適化されないことを示す。 また,UDM関節法をマスク拡散様サンプリング操作に分解して保存する均一拡散の吸収状態再構成も導入した。
  論文  参考訳（メタデータ） (2026-05-21T17:27:19Z)
• Adaptive Auxiliary Prompt Blending for Target-Faithful Diffusion Generation [6.826122099204317]
  低密度領域における拡散過程を安定化させるために, 適応補助プロンプトブレンディング (AAPB) を導入する。 AAPBは、まれな概念生成におけるセマンティックサポートと、画像編集における構造的サポートを提供する。 RareBenchとFlowEditのデータセットに一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2026-03-19T17:12:03Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Multi-scale Diffusion Denoised Smoothing [79.95360025953931]
  ランダムな平滑化は、大規模モデルに敵対的ロバスト性を提供する、いくつかの具体的なアプローチの1つになっている。 本報告では, 分割平滑化におけるロバスト性と精度との現在のトレードオフに対処するスケーラブルな手法を提案する。 提案手法と拡散微細調整を併用したマルチスケール平滑化手法により,高騒音レベルで高い信頼性のロバスト性が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-25T17:11:21Z)
• False membership rate control in mixture models [1.387448620257867]
  クラスタリングタスクは、サンプルの要素を均質なグループに分割する。 教師付き設定では、このアプローチはよく知られており、禁忌オプションの分類として言及されている。 本稿では, 教師なし混合モデルフレームワークで再検討し, 偽会員率が予め定義された名目レベルを超えないことを保証する手法を開発することを目的とする。
  論文  参考訳（メタデータ） (2022-03-04T22:37:59Z)
• SmoothMix: Training Confidence-calibrated Smoothed Classifiers for Certified Robustness [61.212486108346695]
  自己混合によるスムーズな分類器のロバスト性を制御するためのトレーニングスキームSmoothMixを提案する。 提案手法は, 厳密性に制限された原因として, 信頼性の低い, オフクラスに近いサンプルを効果的に同定する。 提案手法はスムーズな分類器の検証値である$ell$-robustnessを大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2021-11-17T18:20:59Z)

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。