論文の概要: InterCorrect: Intersection-Aware Correction of Demographic Model Merging for Fair ASR

• arxiv url: http://arxiv.org/abs/2610.08604v1
• Date: Tue, 06 Oct 2026 16:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.103274
• Title: InterCorrect: Intersection-Aware Correction of Demographic Model Merging for Fair ASR
• Title（参考訳）: 公正なASRのための図形モデルマージのインターコレクト・インターコレクト・アウェア補正
• Abstract要約: 本研究は、公正な音声LLMに基づくASRのための人口統計モデルの統合について研究する。 人口統計特化部分集合のコネクタのみを微調整し、その結果のサブグループ適応コネクタをグローバルモデルにマージする。 サブグループWERとタスク・ベクター・コンフリクトを用いて重要なクロス軸人口統計組を同定し,グローバルマージモデルに交叉特異的補正ベクトルを適用した。
• 参考スコア（独自算出の注目度）: 5.685186328033211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic Speech Recognition (ASR) systems often show uneven performance across demographic groups, and errors can be especially difficult to address for speakers belonging to multiple demographic groups. This work studies demographic-aware model merging for fair Speech-LLM-based ASR. Starting from a SLAM-ASR-based model, we fine-tune only the connector on demographic-specific subsets and merge the resulting subgroup-adapted connectors into a global model. We then identify critical cross-axis demographic pairs using subgroup WER and task-vector conflict, and apply intersection-specific correction vectors to the global merged model. Experiments on Fair-Speech show that global demographic merging improves overall WER over the base model, while intersection correction provides additional gains for several merging strategies. In particular, TIES with WER-based correction achieves the best overall WER, reducing it from 7.38\% to 5.13\%. Subgroup and disparity analyses further show that the proposed approach improves performance across demographic axes, while highlighting that lower average WER does not always imply reduced subgroup disparity.
• Abstract（参考訳）: 自動音声認識(ASR)システムは、人口統計群間で不均一な性能を示すことが多く、複数の人口統計群に属する話者に対しては特に誤りに対処することが困難である。 本研究は、公正な音声LLMに基づくASRのための人口統計モデルの統合について研究する。 SLAM-ASRモデルから始めて、人口統計学的サブセットのコネクタのみを微調整し、その結果のサブグループ適応コネクタをグローバルモデルにマージする。 次に、サブグループWERとタスク・ベクター・コンフリクトを用いて重要なクロス軸人口統計組を同定し、グローバルマージモデルに交叉特異的補正ベクトルを適用した。 Fair-Speechの実験では、グローバルな人口統合はベースモデルよりもWER全体を改善し、交差補正はいくつかのマージ戦略にさらなる利益をもたらす。 特に、WERに基づく補正によるTIESは、WER全体の最高値を7.38\%から5.13\%に下げる。 サブグループと格差分析は、提案手法が人口動態軸を横断する性能を向上させることを示し、低平均のWERが必ずしもサブグループ格差を減少させるとは限らないことを強調している。

関連論文リスト

• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)

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。